科研之友
微信
新浪微博
Facebook
分享链接
摘要
基于深度学习的指静脉识别方法通常需要大量的计算资源，限制了其在嵌入设备上的推广和普及，采用轻量级网络又面临模型参数减少导致准确率下降的问题，为此提出一种基于指静脉关键特征和Adaface损失的轻量级识别算法。在Micronet网络框架中，首先提出一种FMixconv卷积来替代原网络中的深度卷积，减少参数的同时可以获得静脉特征的多尺度信息；其次引入轻量级注意力模块CA模块，从空间和通道上聚焦于静脉特征的关键信息；最后损失函数中加入Adaface损失，通过特征范数对图像质量进行评价，以减少图像质量下降对训练的影响。该算法在SDUMLA-HMT、FV-USM和自建数据集上的识别准确率达到99.84%、99.39%和99.42%，而参数量仅有0.82M。实验结果表明，该算法在准确率和参数量大小上均领先于其他方法。
- 出版日期2023
- 单位北方工业大学
