weixin_40459958的博客

摘要通过轻量化CNN和图像增强解决深度学习的复杂度引言首先，识别性能对CNN架构的设计很敏感。其次，学习率、批处理大小和迭代次数等超参数很难被设置为标准值，这可能会随着不同的数据集而发生变化。第三，大型网络难以训练，不仅会导致学习效率的下降，还会导致过拟合。相比之下，小规模网络的效率更高，泛化能力也更好，但网络太浅会导致[5]拟合不足。利用部分预训练的MobileNetV2（又是预训练又是mobilenet，这还能不轻量吗，害） （而且下文看了预训练又是imagenet的）利用自动颜色增

2020摘要由于基于红外光的传感器条件令人失望，手指静脉图像的质量并不令人满意。这个问题导致了指链识别的不准确性。为了解决这一问题并加快收敛速度，本文提出了一种利用具有中心损失函数和动态正则化的卷积神经网络(CNNs)来识别手指静脉的新方法。（无敌的CNN有监督学习都无视图像质量了吗）引言手指静脉识别的经典研究主要包括图像采集、图像预处理、特征提取和特征匹配四个部分。其中最重要的部分是特征提取，因为提取的特征的质量对后续的匹配阶段有很大的影响。特征提取方法有两种方法，一种是手工制作的特征(LB

2021摘要AE学习内部特征（IFL）估计具有不同偏移和旋转的类内手指静脉图像的期望孪生学习外部特征（EFL）学习类间特征表示引言传统方法虽然在一定程度上提取了手指静脉的有效特征，但仍不能解决不同个体间的图像变化问题（就是说那些传统的通过制定规则一次性出结果的方法，更希望类内差异很小，毕竟就是拿一个算子去计算结果，泛化性较差吧；而深度学习更希望有一些类内差异，好让他学习的不重复更丰富，就是追求类内丰富性咯）近年来，由于计算能力的提高，基于深度学习的图像识别方法正被应用于手指静脉领域。然而，这些模

2020引言提出由于静脉纹理有宽有细，用一些传统的gabor、曲率的滤波方式增强效果仍需提高[28]提出了一种深度卷积神经网络(CNN)来设计一种新的手指静脉验证方法，即深静脉，该方法对手指静脉模式匹配具有良好的效果。[29]利用CNN建立了基于深度学习的分割模型，可以提取鲁棒的静脉模式，降低手指静脉验证的错误率...

2021匹配(评估指标提到match rate 就是top1的匹配准确率，那就是说别处看到的top5准确率其实就是探针样本与图库匹配值最高的5位中的准确率吗)

2021摘要虽然深度学习算法在生物识别方面具有突出的表现，并受到越来越多的关注，但其triditional特征（？）不应被忽视。本文研究了三种方案中**划分局部二值模式(PLBP)**和卷积神经网络(CNNs)的融合问题。在串行融合(SF)方法（就是拼接呗。好像还是像素级拼接）中，提取PLBP特征并重塑作为CNNS的输入（CNN智能优化不比制定规则的LBP强多了？咋2021了还有在LBP基础上CNN的？）。决策融合(DF)采用最近邻分类器和CNN结合PLBP，并加权融合结果。对于特征融合(FF)，将

2021引言随着身份认证应用场景的逐步转移，单模态生物识别技术可能无法满足安全[2]的要求。由于手指同时携带FP、FV和FKP，它在各种手的载体中尤为突出。手指自然地整合了生物组织内外层的生理特征，而FP、FV和FKP的特征是充分互补的[3]。卷积神经网络(CNN)模型已广泛应用于单模态生物识别的多个子领域，如图像增强、特征提取和提高算法的鲁棒性[5-8]。2015年，Wang等人。提出了一个基于CNN的多模态特征识别目标[9]的多模态特征框架，然后设计了一个深度学习框架来学习多模态[10]的特

2021引言指静脉识别有两种测试模式，一种是识别训练类别的新样本，称为闭集测试（即测试样本属于已知类）。另一种是在未训练类别注册后识别新样本，称为开放集测试（注册是啥意思，还得重新训练学习新类吗？）。开集测试更符合实际应用的要求，对闭集测试的类别进行了训练，因此识别更容易。相比之下，开集测试则比较困难。【1】基于匹配的深度学习基于多分类器的大多只集中于闭集测试。例如，使用卷积网络或自动编码器网络从手指静脉图像中提取特征，然后将其发送到FC的分类器[2-4]或SVM分类器[5]中。在进入分类器[

2020摘要广度（类数）大深度（类内样本数）小极限例子，每一类仅有两个样本，一个是基准标杆，一个用来识别验证本文定义为浅层学习，缺乏类内多样性（人脸的话确实，类内还是能整些花样的）因此，它会导致特征维数的崩溃，因此学习到的网络很容易遭受崩溃维数的退化和过拟合。引言浅层人脸学习(SFL)与人脸识别中存在的低次学习(LSL)[9]问题相似，但两者有两个显著差异。首先，LSL执行闭集识别[11,38,3,34]，而SFL包含开放集识别任务，其中测试id被排除在训练id之外（意思是说LSL是

2021一方面拓展数据增强方法（但说起来好像还是旋转什么的）一方面结合分类和度量的损失（ReID领先业界多少年啊）传统：1.直接多分类，但是不好应对新数据2.基于验证（输入一对，孪生）它们可以直接基于训练后的网络进行端到端验证，而不需要一个单独的特征匹配过程，并且它们能够处理具有不可见身份的开放集场景（就是说对于新数据可以和老数据匹配看看到底是谁那样子吧）。但是，他们需要构造图像对作为验证训练的输入。虽然对的构建过程显著地扩大了训练集，但其中很大一部分可能是琐碎的、无信息的对。它们很容易被网络

2020，IEEE摘要主要是解决采集图像麻烦，可以让志愿者随便刷一下就采集，而不是等上还几秒（视频截帧）传统方法：1.基于几何（最大曲率，基于像素细节纹理）2.流形学习（PCA）（但是还没说用啥数据呢，对啥降维？）3.基于统计（LBP等直方图）4.基于局部不变（SIFT）5.深度学习指标：正确识别率CIR方法：CNN提取特征，然后用LSTM考察图像帧之间关系（但是CNN输出的顺序也就是一开始输入的顺序，应该是有shuffle的，那还有什么序列好让LSTM去学的，不如用transforme