生物识别领域(虹膜、指静脉、人脸)与FL结合的论文简评

该文综述了联邦学习(FL)在生物识别技术,包括指静脉(FedFV)、人脸(FedFace、FedPAD&&FedGPAD、FedFR、FedGC)和虹膜(FedIris)领域的应用。FedFV引入联合监督损失函数,FedFace利用Spreadout正则化增强类别分散,FedPAD侧重于通用性而非个性化,FedFR采用对比学习正则化策略,而FedGC通过类Softmax修正实现集中训练效果。FedIris提出使用Iris模板和Wasserstein距离来优化权重分配。文章提出了多个未来研究方向,如知识转移载体、安全性及不同生物识别特征的融合策略。
摘要由CSDN通过智能技术生成

一、指静脉

1.FedFV

①文章创新:基本框架是fedper+N_model参数聚合的方法(区分于fedamp,本文的fedwpr固定聚合权重减少计算开销)+联合监督损失函数

二、人脸

1.FedFace

  • 场景:每个client中仅有一个identity
  • 算法:每个client上传自己identity对应embedding层向量,在Server端使用Spreadout正则化技术,尽可能分散开(类内聚合,类间分散)
    ② 启发:在实验中添加Spreadout模块,然后用T-SNE可视化一下各个类的间距。

2.FedPAD&&FedGPAD

  • 本文FedGPAD是受domain-learning启发,相较于现存FL更多的关注“personalization”本文更多研究如何达成更好的“generalization”性能。将数据分解为不同的信息变量(要学习各个domain中的域不变特征,domain具体的特征通常和bg、噪声等有关,如果不同的domain直接聚合会导致性能的下降&#
  • 1
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

_Ocean__

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值