相关实验视频
Updated: Jun 17, 2025
09:30
Super-resolution Imaging of Neuronal Dense-core Vesicles
Published on: July 2, 2014
9.7K
基于轻量级网络的不受约束的手指纹感兴趣地区提取方法
Chengrui Lin1, Yifan Chen1, Xiangqun Zou2
1College of Electronic Engineering (College of Artificial Intelligence), South China Agricultural University, Guangzhou, China.
PloS one
|August 9, 2024
概括
本研究介绍了一种轻量级的深度学习方法,用于精确的手掌打印感兴趣区域 (ROI) 提取,克服不受约束的环境中的挑战. 这种新的方法实现了高精度和速度,使其适合嵌入式设备上的实际应用.
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
- 机器学习 机器学习
背景情况:
- 精确的手掌打印感兴趣区域 (ROI) 提取对于手掌打印识别至关重要.
- 不受限制的环境条件 (手掌姿势,背景,照明) 对传统和现有的深度学习ROI提取方法构成重大挑战.
- 当前的深度学习方法往往忽视了计算效率,限制了它们在嵌入式系统上的适用性.
研究的目的:
- 提出一种使用轻量级深度学习网络的新,计算效率高的手掌打印ROI提取方法.
- 解决现有方法在处理不受限制的环境和资源受限制的设备方面的局限性.
- 为了提高手掌打印ROI提取的准确性和速度,用于实际的生物识别应用.
主要方法:
- 使用YOLOv5-lite进行初始手掌检测和减少背景干扰.
- 采用了改进的UNet模型来检测关键点,具有减少的参数和增强的融合.
- 实现了联合高斯热图和直接回归输出,并使用联合JS和L2损失函数进行监控.
主要成果:
- 在混合数据库上实现了98.3%的准确性,GPU的平均检测时间为28ms.
- 与主流轻量级网络相比,表现出卓越的性能,模型尺寸仅为831k.
- 在开放式测试中,在GPU上获得了93.4%的成功率和5.95ms的平均检测时间.
结论:
- 拟议的轻量级基于网络的手掌打印ROI提取方法非常准确和高效.
- 该方法有效地处理复杂的背景和不受约束的条件,优于现有的算法.
- 小型模型尺寸和快速推断速度使其适合在嵌入式设备上进行实际部署.
