基于无监督的尖端卷积神经网络的手指静脉识别,具有适应性射击值
Li Yang1, Qiong Yao1, Xiang Xu1
1Artificial Intelligence and Computer Vision Laboratory, Zhongshan Institute, University of Electronic Science and Technology of China, Zhongshan 528402, China.
Sensors (Basel, Switzerland)
|April 12, 2025
概括
这项研究引入了用于指纹静脉识别的自适应性尖端神经网络,在更简单的模型中提供更高的准确性. 这种生物可信的方法通过高效的事件驱动处理来增强生物识别安全性.
科学领域:
- 生物识别信息 生物识别信息
- 计算神经科学是一种神经科学.
- 机器学习 机器学习
背景情况:
- 深度神经网络 (DNN) 提升了手指静脉识别 (FVR),但需要复杂的架构和广泛的培训.
- 在DNN中的静态,连续值激活限制了效率和生物可信性.
研究的目的:
- 引入一个基于触发值的自适应神经网络 (ATSNN),以改善FVR.
- 为了利用离散的尖峰编码,在手指静脉图像中进行时空特征提取.
- 与传统DNN相比,提高网络稳定性和降低模型复杂性.
主要方法:
- 指脉图像被转换为尖峰延迟编码使用加博和高斯波器的差异.
- 一个ATSNN处理尖峰编码,通过生物学上可信的本地学习规则提取特征.
- 神经元触发值根据适应性反应调节的平均电位张量进行动态调整.
主要成果:
- 该ATSNN模型在三个基准数据集中实现了显著的识别准确性.
- 与现有的FVR技术相比,拟议的方法表明参数数量和模型复杂性减少.
- ATSNN表现出卓越的性能,超过了当前的几种FVR方法.
结论:
- ATSNN为FVR提供了一个更具生物学可信性,更高效和更强大的解决方案.
- 它稀疏,事件驱动的性质在生物识别应用中比传统的DNN具有优势.
- 这种方法为先进,高效的生物识别安全系统铺平了道路.
