CNN进行非接触掌纹识别的改进过程

1.模型和参数不变

模型：2个卷积层+1个全连接层

参数：

BATCH_SIZE = 32 # 定义超参数，每次处理32张图片
EPOCHS = 20 # 将数据集训练20轮
LR = 0.01 # 学习率
TRAIN_DIVISION = 3 # 训练集划分占比
optimizer = optim.Adam(model.parameters(), lr=LR) # 优化器

1.1 “IITD/Left部分数据” VS “IITD/Left+Right数据”

2.改模型

模型2.1：3个卷积层+2个全连接层 结果：RR=0.9158

模型2.2：4个卷积层+2个全连接层 结果：RR=0.9145

模型2.3：4个卷积层+3个全连接层 结果：RR=0.8776

模型2.4：4个卷积层（更改卷积核）+2个全连接层 结果：RR=0.9158

模型2.5：4个卷积层（更改输出通道数）+2个全连接层 结果：RR=0.9237（EPOCH=200）

2.5似乎是最好的，但之前的模型可能是因为没有完全收敛.

3. 改参数

综合结果，模型选用2.5的。

3.1 优化器

之前全都以Adam作为优化器，收敛速度快（20次迭代内就能达到很高的RR），在2.5的模型中186次迭代达到RR=0.9237。

3.2 Batch_size

优化器选用Adam，LR=0.001。

3.3 Learning Rate

优化器选用Adam，Batch_size=64。

4.BN

批量标准化网络层:
1）统计每个通道所有点的像素值的均值和方差；
2）每个通道的像素值减均值除方差；

BN：Max RR: 0.951316、Running time: 12049.209277153015 s

5. 数据集

同济非接触式掌纹数据集：
Max RR: 0.999500、Running time: 39925.49079298973 s
（Train Epoch:22 Loss:0.000003
Test – Average loss:0.2042,RR:0.265000）是为什么？

Max RR: 0.999250、Running time: 39227.911673784256 s
（Train Epoch:114 Loss:0.000000
Test – Average loss:0.1773,RR:0.197000）为什么？

后来考虑到是过拟合的原因（train_loss低，test_loss高），所以进行了一些改进。

5.1加入dropout

初步改进：加入dropout层，并调整了网络层数（减少一层卷积）：

结果是：RR=0.99975、Running time: 60452.40188455582 s，看出来没有识别率明显的骤降，但仍不太稳定，所以还需要进一步减弱过拟合。