为单源跨数据集的手指纹识别与未见的目标数据集生成风格化的功能
概括
本研究介绍了生成风格化特征 (GIFT) 以改进跨数据集的手指纹识别. GIFT增强了未见数据集的功能概括,在具有挑战性的场景中提高了识别准确性.
科学领域:
- 生物识别信息 生物识别信息
- 计算机视觉 计算机视觉
- 机器学习 机器学习
背景情况:
- 跨数据集的手指纹识别对于现实应用至关重要.
- 将模型推广到各种数据集和设备上仍然是一个重大挑战.
- 现有的方法在单源交叉数据集场景中与未见的目标数据集作斗争.
研究的目的:
- 解决单一来源跨数据集的手指纹识别与未见的目标数据集 (S2CDPR-UT) 的局限性.
- 提出一种新的方法,生成风格化特征 (GIFT),以增强特征提取器通用化.
- 提高跨不同数据集和环境的手指纹识别系统的性能.
主要方法:
- 将原始特征解为高频和低频组件.
- 使用特征风格化模块来扰乱低频组件,生成风格化的特征.
- 在特征层面引入增强多样性和保持一致性的监督.
主要成果:
- 拟议的GIFT方法显著提高了S2CDPR-UT.的性能.
- 在CASIA多谱,XJTU-UP和MPD数据集上的实验证明了GIFT的有效性.
- GIFT扩展了功能空间,同时保持了精确识别的语义一致性.
结论:
- GIFT提供了一个强大的解决方案,用于单源跨数据集的手指纹识别与未见的目标数据集.
- 该方法有效地提高了手掌纹特征提取器的概括能力.
- 该方法在面临数据变化的现实世界生物识别系统中显示出有希望的结果.
