基于改进的ResNet手指静脉识别
针对指静脉提取困难和识别精度不够高等问题,提出了一种基于ResNet改进的手指静脉识别方法.首先,使用深度超参数化卷积(DO-Cony)代替网络中的传统卷积,在减少模型参数的同时提高了网络识别率.然后,将空间注意力模型(SAM)和挤压激励块(SE-Block)融合,应用于改进的残差网络(ResNet)提取图像在通道和空间域上的细节特征.最后,使用标签平滑的交叉熵(LSCE)损失函数来训练模型,实现自动校准网络防止分类出现误差.实验结果表明,改进后的模型不易受到图片质量的影响,在公开数据库FV-USM和SDUMLA上的识别精度分别达到99.4919%和99.4485%,较之前的网络在精度上有明显提高.
图像处理、指静脉识别、注意力机制、残差网络、标签平滑、损失函数
58
TP389.1(计算技术、计算机技术)
国家自然科学基金61671285
2021-12-16(万方平台首次上网日期,不代表论文的发表时间)
共7页
92-98