21、基于SE - ResNet50模型的手背静脉高效识别方法

基于SE - ResNet50模型的手背静脉高效识别方法

1. 相关工作

• ResNet网络 ：作为一种流行的深度卷积神经网络（DCNN）模型，ResNet通过引入残差单元解决了梯度消失问题。其残差结构解决了深度网络退化问题，使得训练更深的神经网络成为可能。之后，ResNeXt进一步在不增加参数数量的情况下提升了模型的表示能力。ResNet在众多图像分类任务中被广泛应用。
• 挤压 - 激励（SE）块的注意力机制 ：深度学习中的注意力机制类似于人类视觉，优先关注关键信息，少量关注次要信息。2017年提出的“Squeeze - and - Excitation网络”（SENet）在2017年的ImageNet大规模视觉识别竞赛中获胜，借助SE块可将Top - 5错误率降至2.25%。SE模块能增强有意义的特征并抑制无用特征，目前各种注意力技术被应用于深度模型以提升系统性能。

2. 提出的SE - ResNet50模型

2.1 模型架构

SE - ResNet50模型由五个阶段和一个输出层组成：
- Stage0 ：包含一个1×1的卷积层和一个最大池化层。
- 其他阶段 ：由多个BasicBlock和一个嵌入式SENet组成。BasicBlock是普通ResNet中相互连接的卷积层。
- 输出层 ：有一个全局平均池化层和一个全连接层，最后使用Softmax输出分类结果。

在该