通过多级噪音标签选择和校正强大的手指纹识别
概括
这项研究引入了一个新的框架,以提高尽管有噪音标签的手掌纹识别准确度. 多阶段噪音标签选择和纠正 (MNLSC) 方法有效地识别和纠正错误标记的数据,提高模型可靠性.
科学领域:
- 计算机科学 计算机科学
- 人工智能的人工智能
- 生物识别信息 生物识别信息
背景情况:
- 深度学习显著提升了手掌纹识别.
- 目前的方法与噪音标签扎,影响现实应用中的可靠性.
- 对标签噪声的坚固性对于实际的手掌纹识别系统至关重要.
研究的目的:
- 提出一个新的框架,用于在噪音较大的情况下强大的手掌纹识别.
- 提高掌纹识别深度学习模型的可靠性和性能.
- 为了应对标签噪声在大型手掌纹数据集中的挑战.
主要方法:
- 开发了一个多阶段的噪音标签选择和纠正 (MNLSC) 框架.
- 雇员自主监督学习用于初始清洁样本选择.
- 使用基于富里埃的模块来清洁硬样本识别.
- 实现了基于原型的模块,用于噪音标签检测和纠正.
主要成果:
- 在处理不同噪声率方面,MNLSC框架表现出卓越的性能.
- 在多个手指纹数据库上的实验结果证实了该方法的有效性.
- 与基线方法相比,达到高达33.45%的精度提高,标签噪声为60%.
结论:
- 拟议的MNLSC框架显著提高了基于深度学习的手指纹识别的稳定性.
- 该方法有效地处理噪音大的标签,从而实现更可靠的生物识别识别.
- 这种方法为面对数据缺陷的真实世界手指纹识别系统提供了一个有希望的解决方案.
