IRIS-QResNet:一个量子启发的深度模型,用于有效的虹膜生物识别和身份验证
Neama Abdulaziz Dahan1, Emad Sami Jaha1
1Department of Computer Science, Faculty of Computing and Information Technology, King Abdulaziz University, Jeddah 21589, Saudi Arabia.
Sensors (Basel, Switzerland)
|January 10, 2026
概括
这项研究介绍了IRIS-QResNet,这是一种灵感来自量子的深度学习模型,可以提高虹膜识别的准确性,特别是在有限的数据的情况下. 新的量子演变层显著提高了特征提取和识别性能,与传统的ResNet模型相比.
科学领域:
- 计算机科学 计算机科学
- 人工智能的人工智能
- 量子计算是一种量子计算.
背景情况:
- 虹膜识别是一种可靠的生物识别技术,面临着深度学习模型的挑战,特别是当训练数据有限时.
- 对于精确的虹膜识别至关重要的微妙,高维的图案通常被缺乏数据的传统模型遗漏.
研究的目的:
- 通过使用深度学习在虹膜识别系统中增强特征提取和识别精度.
- 解决当前模型在处理虹膜识别有限训练数据方面的局限性.
主要方法:
- 介绍IRIS-QResNet,这是一个定制的ResNet-18架构,包含一个量子变量层.
- 量子变化层模拟量子效应 (纠,叠加) 并使用正弦特征编码来改进多层表示.
- 在四个数据集 (CASIA-Thousands,IITD,MMU,UBIris) 中进行了14项实验,将IRIS-QResNet与IResNet基线进行比较.
主要成果:
- IRIS-QResNet在准确性和在多个数据集和识别任务中减少损失方面始终超过IResNet基线.
- 对IRIS-QResNet的精度改进范围从0.1870%到16.67%,损失减少范围从0.0360到1.0280.
- 该模型甚至在没有数据增强的情况下也展示了强大的概括能力,突出显示了量子灵感修改的有效性.
结论:
- 量子启发的修改,特别是量子演变层,提供了一种实用且可扩展的方法,以提高残余网络的区分能力.
- 拟议的IRIS-QResNet有效地将经典的深度学习与新兴的量子机器学习范式相结合,以加强生物识别安全.
- 这种方法在改善虹膜识别系统在现实世界数据受限场景中的性能方面显著有前途.
