读《Vein-based Biometric Verification using Transfer Learning》

2020

摘要

主要是静脉识别，包括指静脉、掌静脉、背静脉
指出小样本多分类限制了深度学习（但是我的数据集用CNN效果就是牛逼啊。。。）

引言

鉴于在线服务的大量扩散和发展，以及对隐私和安全相关的关注点的新出现，传统的认证系统在可靠性和用户方便性方面很难满足实现适当的访问控制机制的要求。因此，为了处理这些方面，对行为和物理生物识别系统的需求不断增加。然而，最广泛应用的外部生物特征特征，如面部、指纹、虹膜和声音，明显容易发生表示攻击。例如，人脸识别系统可能会被人工人脸模型[1]所欺骗，即使是新手也可以在几个小时的[2]内欺骗移动设备的指纹识别系统。相反，内在的生物特征，如那些依赖于静脉模式的特征，更难被秘密地获得和伪造，因此，相对于上述的外部特征[3]，提供了对抗攻击的更大的健壮性。
Given the prolific diffusion and evolution of online services, and the emerging awareness of privacy- and securityrelated concerns, traditional authentication systems can hardly
meet the requirements for implementing proper access control
mechanisms in terms of reliability and user convenience. In
order to cope with such aspects, there is, therefore, an everincreasing demand for behavioural and physical biometric
recognition systems. Yet, the most widely deployed extrinsic
biometric traits, like face, fingerprint, iris, and voice, are
notably prone to presentation attacks. For instance, face recognition systems can be fooled by artificial face models [1], and
even a novice can spoof the fingerprint recognition system
of a mobile device in a couple of hours [2]. On the contrary,
intrinsic biometric traits, such as those relying on vein patterns,
are much more difficult to be covertly acquired and forged, and
therefore offer much greater robustness against attacks, with
respect to the aforementioned extrinsic traits [3].

（还是匹配？而不是直接分类？）说是比较了一下一个batch一股脑送进统一的模型，和两股分别孪生计算（但是除了可能的batchnorm以外这俩差别不大吧，孪生网络本来两支也是通过同一个模型来计算，只不过两支的初始分布可能没有标准化到一块，而且矩阵运算也只是最内层的两三维并不伤及batch维？）
(我上面是理解错了，这个单一网络不是匹配，而就是softmax出来概率取多分类交叉熵)

2 SOTA

a 传统

基于轮廓（最大曲率），保证了对各种指静脉数据集识别性能的鲁棒性[25]（意思是基于像素吗？区别于特征？那怎么有很好的鲁棒性啊，而且缺陷呢，这么泛化）
基于特征

3

(很迷惑，明明说了半天匹配度量的东西，最后损失还是用的交叉熵)
(好像明白了，他用的是BCE，二分类交叉熵，就是把匹配直接当成二分类来做)
单个CNN模型用多分类交叉熵，孪生网络用二分类交叉熵BCE

densenet161

提出单一网络会比孪生网络效果更好

（竟然是近两年的文章，并没有看出来提出的深度学习无法解决小样本的这个问题是通过具体什么方法解决的？明明CNN直接分类效果比匹配那么好？这个会议好像是通信类的顶会）