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transformer自注意或者图网络吧?)
提到根据原始图像是矩形的,所以卷积核也该用矩形的,而不是直接方形核完事(有什么支撑吗)
此外,CNN和LSTM分开训练,原因是如果联合了,训练CNN的样本可以很少但是识别性能也会降低(why?不过这样的话LSTM就有意义了吧,可以得到CNN特征后先缓一缓排好顺序再送给LSTM。但是这样排序了不就知道实际类别了吗,还识别啥?)
读《On-the-Fly Finger-Vein-Based Biometric Recognition Using Deep Neural Networks》
![](https://img-home.csdnimg.cn/images/20240711042549.png)