典型文献
基于多语义融合与ArcFace损失的指静脉识别算法
文献摘要：
指静脉识别深度学习方法往往忽视指静脉低级特征,未能充分利用指静脉轮廓、纹理等特征.为此,提出一种基于多语义特征融合网络与A rcFace损失的指静脉识别算法.首先,充分利用神经网络低层提取的指静脉轮廓角点等细节特征和纹理形状等结构信息,提出跨层拼接的特征融合机制,解决仅利用指静脉高级特征识别而忽视静脉低级特征的问题;其次,残差单元采用双层卷积结构,增加了相邻残差单元特征图的距离,消除了指静脉各级语义特征重叠现象,并采用阶跃式残差单元分布来提升网络高低层残差单元数量的差异,进一步加大了指静脉各级特征的距离;最后,在损失函数中加入A rcFace损失项,在角度域聚敛类内距离,分离类间距离,减小指静脉特征向量的类内距离.在公开数据集FV-USM、实验室采集的正常图像库及特殊图像库上进行性能分析实验,结果表明,和指静脉识别经典网络相比,提出算法的零误识拒识率分别降低了8.89％,6.89％ 和14.68％,T o p1排序性能分别提升了2.85％,5.10％ 和9.07％.
文献关键词：
多语义融合;ArcFace损失;残差网络;指静脉识别
中图分类号：
作者姓名：
王智霖;沈雷;徐文贵;李琦
作者机构：
杭州电子科技大学通信工程学院,浙江杭州310018
文献出处：
引用格式：
[1]王智霖;沈雷;徐文贵;李琦-.基于多语义融合与ArcFace损失的指静脉识别算法)[J].杭州电子科技大学学报,2022(01):53-59
A类：
多语义融合,rcFace
B类：
ArcFace,指静脉识别,识别算法,深度学习方法,低级,语义特征融合,特征融合网络,低层,角点,细节特征,结构信息,跨层,拼接,融合机制,特征识别,残差单元,元特征,特征图,阶跃式,单元数量,损失函数,损失项,聚敛,类内距离,类间距离,小指,特征向量,公开数据集,FV,USM,特殊图,误识,p1,残差网络
AB值：
0.366365
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
