
[1]吴凯,沈文忠,贾丁丁,等.融合Transformer和CNN的手掌静脉识别网络[J].计算机工程与应用,2023,59(24):98-109.
文章目录
1、Background and Motivation
- 生物特征识别的重要性
- 掌静脉识别的优势
- 传统掌静脉识别方法的局限性
掌静脉识别流程包括手掌静脉图像的采集、图像预处理、特征提取、识别验证四个阶段。
为了进一步提升识别精度,本文设计了结合 Transformer Encoder 和 CNN 并运用扩大决策边界的损失函数 AAM-Loss(additive angular margin loss)的掌静脉特征编码识别网络 PVCodeNet。
2、Related Work
特征提取传统方法
- 基于结构特征的方法
- 基于子空间的方法
- 是基于纹理特征的方法
基于深度学习的特征提取
3、Advantages / Contributions
贡献:
- 提出新的掌静脉识别网络PVCodeNet
- 实现高精度识别
- 验证网络泛化性能
创新点
- 首次将Transformer Encoder应用于掌静脉识别
- 使用深度超参数化卷积(Do-Conv)
- 引入规一化的注意力机制(NAM)
- 使用扩大决策边界的损失函数(AAM-Loss)
4、Method
手掌关键点定位+ROI提取

选取食指与中指间隙 A、中指与无名指间隙 B 以及无名指与小指间隙 C 作为手掌关键点
L 设置为 20 个像素
图像增强

使用 CLAHE 对比度增强后,图像噪声也得到了增强,噪声对后续的掌静脉特征提取及匹配会产生影响,本文运用中值滤波图像去噪方法来降低图像噪声的干扰

在 resnet18 的基础上修改,网络结构由 1 个Transformer Encoder 模块和 4 个改进的 BasicBlock 组成


256

被折叠的 条评论
为什么被折叠?



