轻量级和高效的双路融合网络用于虹膜细分
Songze Lei1, Aokui Shan1, Bo Liu1
1School of Computer Science and Engineering, Xi'an Technological University, Xi'an, Shaanxi, China.
Scientific reports
|August 28, 2023
概括
一个新的轻量级虹膜细分网络解决了深度学习的局限性. 这种高效的模型显著提高了准确性,并减少了计算资源,使虹膜细分更容易获得.
科学领域:
- 计算机视觉 计算机视觉
- 生物识别信息 生物识别信息
- 深度学习 (Deep Learning) 是一种深度学习.
背景情况:
- 目前的深度学习虹膜细分方法受到高参数计数,计算需求和大量存储需求的影响.
- 这些局限性阻碍了先进的虹膜识别技术的实际应用.
研究的目的:
- 提出一个轻量级和高效的虹膜细分网络.
- 克服现有的虹膜细分深度学习模型的资源密集性.
主要方法:
- 一个基于U-net架构的双路径融合网络模型.
- 使用深度可分离的卷积集成深度语义和浅层上下文信息.
- 引入一种新的注意力机制来增强特征提取.
主要成果:
- 与传统方法相比,拟议的方法实现了平均15%的全国平均交叉点 (MIoU) 和9%的F1得分的平均改善.
- 与U-net相比,在MIoU中获得了1.5%的平均改善,在F1得分中获得了2.5%的平均改善.
- 与U-net相比,显著减少了计算 (80%),参数 (90%) 和存储 (99%),平均运行时间为0.02s.
结论:
- 拟议的轻量级网络为虹膜细分提供了性能和效率之间的卓越平衡.
- 该模型为资源有限的环境提供了可行的替代方案,需要精确的虹膜细分.
