这是一种新的手掌静脉图像细分方法,它结合了多尺度卷积和swin-transformer网络

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
• 图像处理 图像处理

背景情况:

• 精确的手掌静脉细分对于强大的生物识别至关重要.
• 现有的方法与复杂的照明和噪音作斗争,影响识别准确度.
• 无接触的手掌静脉识别需要先进的特征提取和噪音抑制技术.

研究的目的:

• 开发一个非接触的手掌静脉图像细分模型,以提高准确性和稳定性.
• 在增强的U-Net架构中集成多尺度卷积和Swin-Transformer.
• 在多样化和具有挑战性的环境条件下提高手掌静脉识别性能.

主要方法:

• 一个增强的U-Net架构,包含多尺度卷积,用于分层的特征提取.
• 全球静脉分布的上抽样路径中的一个滑动窗口注意力机制.
• 一个功能融合模块,集成跨层信息并抑制背景噪音.

主要成果:

• 在PolyU和CASIA数据集上实现了97.8%的准确性和94.5%的子系数.
• 与标准U-Net模型相比,表现有3.2%的改进.
• 废弃性研究证实了拟议的多尺度卷积,注意力和融合模块的有效性.

结论:

• 拟议的模型提供了优越的手掌静脉细分性能.
• 多尺度卷积和Swin-Transformer的集成增强了特征表示.
• 该模型在现实场景中显著提高了手掌静脉识别系统的稳定性.