CN108875705A - 一种基于Capsule的掌静脉特征提取方法 - Google Patents
一种基于Capsule的掌静脉特征提取方法 Download PDFInfo
- Publication number
- CN108875705A CN108875705A CN201810787452.7A CN201810787452A CN108875705A CN 108875705 A CN108875705 A CN 108875705A CN 201810787452 A CN201810787452 A CN 201810787452A CN 108875705 A CN108875705 A CN 108875705A
- Authority
- CN
- China
- Prior art keywords
- layer
- capsule
- convolutional
- vena metacarpea
- network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 239000002775 capsule Substances 0.000 title claims abstract description 84
- 238000000034 method Methods 0.000 title claims abstract description 17
- 238000000605 extraction Methods 0.000 claims abstract description 20
- 239000013598 vector Substances 0.000 claims abstract description 15
- 239000000203 mixture Substances 0.000 claims abstract description 5
- 239000011159 matrix material Substances 0.000 claims description 20
- 230000004913 activation Effects 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 13
- 230000007704 transition Effects 0.000 claims description 10
- 230000007246 mechanism Effects 0.000 claims description 9
- 239000000284 extract Substances 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 6
- 238000013461 design Methods 0.000 claims description 4
- 238000013139 quantization Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 2
- 230000009467 reduction Effects 0.000 claims description 2
- 238000013527 convolutional neural network Methods 0.000 description 8
- 238000006073 displacement reaction Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000011176 pooling Methods 0.000 description 4
- 210000003462 vein Anatomy 0.000 description 4
- 230000008901 benefit Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000005538 encapsulation Methods 0.000 description 2
- 238000003475 lamination Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/14—Vascular patterns
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于Capsule的掌静脉特征提取方法，通过构建基于Capsule的特征提取网络，对掌静脉图像进行特征提取，得到掌静脉特征向量，基于Capsule的特征提取网络由3个模块构成，分别为卷积网络层、Capsule网络层和分类层。本发明的技术方案基于Capsule的同变性(Equivariance)，可以更好的解决掌静脉图像存在的易变形、随机位移、旋转、缩放等问题。
Description
技术领域
本发明涉及手掌静脉特征识别技术领域，尤其涉及一种基于Capsule的掌静脉特征提取方法。
背景技术
掌静脉识别是指利用人体手掌血液中血红素对近红外光具有较强的吸收特性，获得手掌静脉的分布纹路进行的身份识别，目前已经逐渐应用于安防系统、银行系统、楼宇门禁等。
近些年，虽然深度学习取得了众多突破，尤其在人脸、语音等识别技术上，但是基于深度学习的掌静脉识别技术发展较慢，主要原因包括：(1)掌静脉具有复杂的内部结构，这种网状结构具有较弱的局部相关性，难以直接使用一般的卷积网络取得较好的识别效果；(2)掌静脉ROI区域的选取存在随机性，一般通过手指间根部间隙点定位掌静脉ROI区域，但是间隙点的定位会因手掌的张合动作存在较大的波动性，难以保证每次截取都一致；(3)一般掌静脉识别技术在采集掌静脉图像时都需要对手掌位置进行固定或采用接触式，但如果采用非接触式采集会导致掌静脉图像存在较大的位移和缩放，对ROI区域的提取会发生较大的变化。
卷积神经网络取得成功的一个重要原因是在提取特征时具有不变性(Invariance)。这种特性主要通过Pooling等下采样操作获得。通过图像预处理和数据增强，把图片旋转一些角度或者随机滑动裁剪窗口，作为新的样本，输入神经网络识别，这样卷积神经网络就能够做到对一定的旋转和位移不变性。虽然卷积神经网络可以适应一定的旋转和位移，但是掌静脉的旋转和位移远远超过卷积神经网络的学习能力，尤其是掌静脉还具有较强的形变和较弱的局部相关性，导致卷积神经网络对掌静脉的识别率较低。
Capsule的思想最早由Hinton提出，用一组神经元来代表一个实体，其模长代表该实体出现的概率，其方向代表实体的一般姿态，包括位置、方向、尺寸、速度和颜色等。Capsule抛弃了卷积神经网络的Pooling，可以做到同变性(Equivariance)，不会丢失信息，只是对内容的一种变换，可以得到更好的实体表示。
掌静脉识别不同于一般物体识别，掌静脉纹理信息存在于整个输入图像中，不存在无用信息，符合Capsule不丢弃有用信息的设计思想。Capsule的同变性(Equivariance)可以更好的解决掌静脉存在的易变形、随机位移、旋转、缩放等问题。针对掌静脉较弱的局部相关性问题，Capsule可以通过路由协议机制(Routing-by-agreement mechanism)解决。不同于Pooling等下采样方法，Capsule网络中高一级的Capsule通过路由协议机制选择低一级的Capsule，这种Routing不是静态的，而是动态的(Dynamic Routing)，可以自主决定选择哪些相关性更强的Capsule作为自己的输入。因此，Capsule更符合掌静脉特征提取，具有更高的识别精度。
发明内容
仅依靠卷积神经网络进行掌静脉特征提取和识别，存在识别率较低的问题，尤其是对以非接触式，即不固定手掌放置位置采集掌静脉图像，在特征提取和识别上的问题更为明显。为解决上述问题，本发明提供了一种基于Capsule的掌静脉特征提取方法，通过构建基于Capsule的特征提取网络，对掌静脉图像进行特征提取，得到掌静脉特征向量。本发明的技术方案，对掌静脉图像的位移、缩放、旋转等问题具有很好的适应性，不需要大量的训练样本就可以达到非常好的效果，而且不需要特别的图像预处理和数据增强。
一种基于Capsule的掌静脉特征提取方法，其核心是通过构建的基于基于Capsule的特征提取网络来获取掌静脉特征向量，所述的基于Capsule的特征提取网络由3个模块构成，分别为卷积网络层、Capsule网络层和分类层。
所述的卷积网络层由1个基础卷积层和3个Layer层构成，卷积网络层主要功能是初步提取掌静脉的局部区域特征，为后面建立Capsule做准备。
具体的，基础卷积层由1个卷积层、1个批量化层和1个激活函数层构成。
具体的，Layer层由多个Block层构成，共有两种Block层，即BlockA和BlockB。BlockA层处于每个Layer层的第一级，BlockB层位于BlockA之后，可以根据识别精度和速度灵活配置BlockB层的个数。Layer层的主要功能是封装多个Block层，在降低卷积特征平面的维度的同时，提取更丰富的高级特征。
BlockA层主要由1个基础卷积层、2个卷积层、2个批量化层、1个求和层和1个激活函数层构成，BlockA层的主要功能是降低卷积特征平面的维度；BlockB层主要由1个基础卷积层、1个卷积层、1个批量化层、1个求和层和1个激活函数层构成，BlockB层的主要功能是融合低级的卷积特征，提取更丰富的高级特征。
所述的Capsule网络层由权重矩阵层、转换矩阵层和L2归一化层构成。权重矩阵层对每个Capsule做特征变换；在转换矩阵层，高一级的Capsule根据路由协议机制选取低一级的Capsule；L2归一化层对最后输出的Capsule作归一化，获得最终期望的掌静脉特征向量。
所述的分类层主要由1个全连接层和1个Softmax层构成，主要功能是将低维的特征向量映射到各自的类中心，利用Softmax分类功能完成整个网络的训练。
附图说明
图1是本发明基于Capsule的特征提取网络结构图；
图2是本发明卷积网络层的结构图；
图3是本发明基础卷积层的结构图；
图4是本发明Layer层的结构图；
图5是本发明BlockA的结构图；
图6是本发明BlockB的结构图；
图7是本发明Capsule网络层的结构图；
图8是本发明分类层的结构图；
图9是本发明基于Capsule的网络结构实施参数信息表图。
具体实施方式
为了使本发明的目的，技术方案更加清楚明白，以下结合附图对本发明作进一步描述。
本发明公开了一种基于Capsule的掌静脉特征提取方法，在整个网络的设计中，避免使用Pooling等下采样操作。本发明技术方案利用了卷积网络有效提取特征的优点，因此在网络的前部分使用卷积网络提取掌静脉的局部区域特征，但考虑到掌静脉存在易变形、缩放、旋转、位移等问题，在网络的中间部分设计了Capsule层，网络的最后一层引入分类层，通过分类网络完成特征向量的训练。本发明技术方案的另一优点是可以根据识别精度和速度，针对每级的Layer层灵活配置不同个数的Block层。
如图l所示，一种基于Capsule的掌静脉特征提取方法，通过构建的基于基于Capsule的特征提取网络来获取掌静脉特征向量，具体如下：
(1)输入掌静脉图像
基于Capsule的掌静脉特征提取网络的输入层数据为经简单预处理后的掌静脉图像，通过近红外光拍摄采集的掌静脉图像，再截取掌静脉图像ROI区域，经简单的二值化及图像增强等预处理，即可作为的Capsule的特征提取网络的输入层。
(2)基于Capsule的特征提取网络
本发明公开的一种基于Capsule的特征提取网络结构如图1所示，该网络结构由3个模块构成，分别为卷积网络层、Capsule网络层和分类层。
(2.1)卷积网络层的设置
如图2所示为卷积网络层的结构图，图9所示为本发明基于Capsule的网络结构实施参数信息表，在本发明提供的实施例中卷积网络层由1个卷积核为5x5的基础卷积层和3个Layer层构成。其中，第一级Layer层设置3个Block，包含1个BlockA和2个BlockB；第二级Layer层设置4个Block，包含1个BlockA和3个BlockB；第三级Layer层设置3个Block，包含1个BlockA和2个BlockB。这三级Layer级联完成对掌静脉局部特征的提取。
基础卷积层的Stride设置为2，因为掌静脉为稀疏的网状结构，不需要密集的特征提取，在降低计算量的同时，降低卷积特征平面的维度。
优选的，所述的基础卷积层，如图3所示，由1个卷积核大小为m×n的卷积层(Convolution)、一个批量化层(BatchNorm)和一个激活函数层(ReLU)构成。首先输入经过卷积核为m×n，Stride为s的卷积层，然后经过批量化层，最后经过一个激活函数层。批量化层的主要作用是解决网络梯度消散和爆炸问题，可以更加稳定训练网络，这里激活函数层选择ReLU，主要因为ReLU是最简单的激活函数，而且效果比较好。
优选的，所述的Layer层，如图4所示，由两种Block构成，分别为BlockA和BlockB。
如图5所示，BlockA由1个3x3的基础卷积层、1个3x3的卷积层、1个1x1的卷积层、2个批量化层、1个求和层和1个激活函数层ReLU构成，包括两条通路，第一条通路依次经过1个3x3的基础卷积层、1个3x3的卷积层和1个批量化层，第二条通路依次经过1个1x1的卷积层和1个批量化层，再将这两条通路对应通道求和，最后经过激活函数，输出给下一级网络，卷积核为3x3的基础卷积层和卷积核为1x1的卷积层，stride均被设置为2，达到对卷积特征平面降维的功能，BlockA通过第二条通路引入残差网络，降低深层网络的退化问题，可以使深层网络获得更高的表达能力。
如图6所示，BlockB由1个3x3的基础卷积层、1个3x3的卷积层、1个批量化层、1个求和层和1个激活函数层构成，BlockB也包括两条通路，第一条通路依次经过1个3x3的基础卷积层、1个3x3的卷积层和1个批量化层，第二条通路引入残差，最后将两条通路对应通道求和，最后经过一个激活函数层，作为下一级网络的输入。
BlockA处于Layer层的第一级，且只有一个，BlockB位于BlockA之后，可以有多个，在每个Layer层的设计中可以根据识别精度和速度设置不同个数的BlockB。Layer层主要功能是封装多个Block，构成更复杂的网络结构，提取更丰富的高级特征。
(2.2)Capsule网络层的设置
如图7所示为Capsule网络层的结构图，由1个权重矩阵层、1个转换矩阵层和1个L2量化层构成，Capsule层的输入来自卷积网络层，输入大小为14x14，深度为512，将每个位置的512维向量作为一个Capsule，可构成196个Capsules，再经过经过权重矩阵层和转换矩阵层完成Capsule的转换。
优选的，所述的权重矩阵具体实现公式如下：
uj|i＝Wijui
其中，ui表示第i个Capsule，Wij表示Capsule ui的权重矩阵，uj|i表示变换后的Capsule；
转换矩阵层将低一级的Capsule uj|i转换为高一级的Capsule Sj，具体实现公式2如下：
Sj＝∑icijuj|i
式中，cij表示低一级Capsule uj|i与高一级的Capsule Sj之间的耦合系数，耦合系数cij通过路由协议机制产生。
耦合系数cij通过路由协议机制(Routing-by-agreement mechanism)产生。路由协议机制的原理是在低一级的Capsule传递给高一级的Capsule的过程中，当多个低一级的Capsule预测一致时，高一级的Capsule将会得到激活，使得高一级的Capsule的活动向量得到更大的标量积，这些标量积将影响耦合系数cij的大小，从而影响影响上一级的Capsule。
优选的，L2量化层是对转换矩阵最后输出的Capsule进行L2量化，作为掌静脉的特征向量，该特征向量的维度设置为512。
(2.3)分类层的设置
如图8所示为分类层的网络结构，分类层由一个大小为8000全连接层和一个Softmax层构成，分类层的主要功能是将低维的特征向量映射到各自的类中心，通过Softmax层进行分类训练。如果训练数据集的类别不是8000可以根据实际类别重新设置。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。
Claims (5)
1.一种基于Capsule的掌静脉特征提取方法，其特征在于：通过构建基于Capsule的特征提取网络，对掌静脉图像进行特征提取，得到掌静脉特征向量，所述的基于Capsule的特征提取网络由3个模块构成，分别为卷积网络层、Capsule网络层和分类层：
(1)卷积网络层由1个卷积核为5x5的基础卷积层和3个Layer层构成，基础卷积层的Stride设置为2，降低计算量和卷积特征平面的维度，第一级Layer层由3个Block构成，第二级Layer层由4个Block构成，第三级Layer层由3个Block构成，三级Layer级联完成对掌静脉局部特征的提取；
(2)Capsule网络层由1个权重矩阵层、1个转换矩阵层和1个L2量化层构成，Capsule层的输入来自卷积网络层，输入大小为14x14，深度为512，将每个位置的512维向量作为一个Capsule，可构成196个Capsules，再经过经过权重矩阵层和转换矩阵层完成Capsule的转换；
(3)分类层由一个大小为8000的全连接层和一个Softmax层构成，用于将低维的特征向量映射到各自的类中心，通过Softmax层进行分类训练。
2.根据权利要求1所述的一种基于Capsule的掌静脉特征提取方法，其特征在于：(1)中所述的基础卷积层由1个卷积核大小为m×n的卷积层，一个批量化层和一个激活函数层构成，首先输入经过卷积核为m×n、Stride为s的卷积层，然后经过批量化层，最后经过一个激活函数层。
3.根据权利要求1所述的一种基于Capsule的掌静脉特征提取方法，其特征在于：(1)中的Layer层由两种Block构成，分别为BlockA和BlockB：
BlockA由1个3x3的基础卷积层、1个3x3的卷积层、1个1x1的卷积层、2个批量化层、1个求和层和1个激活函数层ReLU构成，包括两条通路，第一条通路依次经过1个3x3的基础卷积层、1个3x3的卷积层和1个批量化层，第二条通路依次经过1个1x1的卷积层和1个批量化层，再将这两条通路对应通道求和，最后经过激活函数，输出给下一级网络，卷积核为3x3的基础卷积层和卷积核为1x1的卷积层，stride均设置为2，达到对卷积特征平面降维的功能，BlockA通过第二条通路引入残差网络；
BlockB由1个3x3的基础卷积层、1个3x3的卷积层、1个批量化层、1个求和层和1个激活函数层构成，BlockB也包括两条通路，第一条通路依次经过1个3x3的基础卷积层、1个3x3的卷积层和1个批量化层，第二条通路引入残差，最后将两条通路对应通道求和，最后经过一个激活函数层，作为下一级网络的输入；
BlockA处于Layer层的第一级，且只有1个，BlockB位于BlockA之后，可以设置多个，在每个Layer层的设计中可以根据识别精度和速度设置不同个数的BlockB。
4.根据权利要求1所述的一种基于Capsule的掌静脉特征提取方法，其特征在于：(2)中的权重矩阵层具体实现公式如下：
uj|i＝Wijui
其中，ui表示第i个Capsule，Wij表示Capsule ui的权重矩阵，uj|i表示变换后的Capsule；
转换矩阵层将低一级的Capsule uj|i转换为高一级的Capsule Sj，具体实现公式2如下：
Sj＝∑icijuj|i
式中，cij表示低一级Capsule uj|i与高一级的Capsule Sj之间的耦合系数，耦合系数cij通过路由协议机制产生。
5.根据权利要求1所述的一种基于Capsule的掌静脉特征提取方法，其特征在于：(2)中的L2量化层是对转换矩阵层最后输出的Capsule进行L2量化，作为掌静脉的特征向量，该特征向量的维度设置为512。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810787452.7A CN108875705B (zh) | 2018-07-12 | 2018-07-12 | 一种基于Capsule的掌静脉特征提取方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810787452.7A CN108875705B (zh) | 2018-07-12 | 2018-07-12 | 一种基于Capsule的掌静脉特征提取方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108875705A true CN108875705A (zh) | 2018-11-23 |
| CN108875705B CN108875705B (zh) | 2021-08-31 |
Family
ID=64302940
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810787452.7A Active CN108875705B (zh) | 2018-07-12 | 2018-07-12 | 一种基于Capsule的掌静脉特征提取方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108875705B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110580469A (zh) * | 2019-09-10 | 2019-12-17 | 广州麦仑信息科技有限公司 | 一种基于嵌入式设备的掌脉识别系统及方法 |
| CN111666409A (zh) * | 2020-05-28 | 2020-09-15 | 武汉大学 | 一种基于综合深度胶囊网络的复杂评论文本的整体情感智能分类方法 |
| CN112200159A (zh) * | 2020-12-01 | 2021-01-08 | 四川圣点世纪科技有限公司 | 一种基于改进残差网络的非接触式掌静脉识别方法 |
| CN113591804A (zh) * | 2021-09-27 | 2021-11-02 | 阿里巴巴达摩院(杭州)科技有限公司 | 图像特征提取方法、计算机可读存储介质以及计算机终端 |
| CN114444187A (zh) * | 2022-01-28 | 2022-05-06 | 河海大学 | 一种振动传递大数据与胶囊网络融合的桥梁损伤诊断方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106991368A (zh) * | 2017-02-20 | 2017-07-28 | 北京大学 | 一种基于深度卷积神经网络的指静脉验证身份识别方法 |
| CN107977609A (zh) * | 2017-11-20 | 2018-05-01 | 华南理工大学 | 一种基于cnn的指静脉身份验证方法 |
-
2018
- 2018-07-12 CN CN201810787452.7A patent/CN108875705B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106991368A (zh) * | 2017-02-20 | 2017-07-28 | 北京大学 | 一种基于深度卷积神经网络的指静脉验证身份识别方法 |
| CN107977609A (zh) * | 2017-11-20 | 2018-05-01 | 华南理工大学 | 一种基于cnn的指静脉身份验证方法 |
Non-Patent Citations (4)
| Title |
|---|
| JAN ERIC LENSSEN E.T.: "Group Equivariant Capsule Networks", 《ARXIV:1806.05086V1》 * |
| MA XIN E.T.: "Palm vein recognition method based on fusion of local Gabor histograms", 《THE JOURNAL OF CHINA UNIVERSITIES OF POSTS AND TELECOMMUNICATIONS》 * |
| SARA SABOUR E.T.: "Dynamic Routing Between Capsules", 《ARXIV:1710.09829V2》 * |
| 王军: "手部静脉识别关键技术研究", 《万方学位论文数据库》 * |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110580469A (zh) * | 2019-09-10 | 2019-12-17 | 广州麦仑信息科技有限公司 | 一种基于嵌入式设备的掌脉识别系统及方法 |
| CN110580469B (zh) * | 2019-09-10 | 2022-08-09 | 广州麦仑信息科技有限公司 | 一种基于嵌入式设备的掌脉识别系统及方法 |
| CN111666409A (zh) * | 2020-05-28 | 2020-09-15 | 武汉大学 | 一种基于综合深度胶囊网络的复杂评论文本的整体情感智能分类方法 |
| CN111666409B (zh) * | 2020-05-28 | 2022-02-08 | 武汉大学 | 一种基于综合深度胶囊网络的复杂评论文本的整体情感智能分类方法 |
| CN112200159A (zh) * | 2020-12-01 | 2021-01-08 | 四川圣点世纪科技有限公司 | 一种基于改进残差网络的非接触式掌静脉识别方法 |
| CN113591804A (zh) * | 2021-09-27 | 2021-11-02 | 阿里巴巴达摩院(杭州)科技有限公司 | 图像特征提取方法、计算机可读存储介质以及计算机终端 |
| CN113591804B (zh) * | 2021-09-27 | 2022-02-22 | 阿里巴巴达摩院(杭州)科技有限公司 | 图像特征提取方法、计算机可读存储介质以及计算机终端 |
| CN114444187A (zh) * | 2022-01-28 | 2022-05-06 | 河海大学 | 一种振动传递大数据与胶囊网络融合的桥梁损伤诊断方法 |
| CN114444187B (zh) * | 2022-01-28 | 2023-07-18 | 河海大学 | 一种振动传递大数据与胶囊网络融合的桥梁损伤诊断方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108875705B (zh) | 2021-08-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108875705A (zh) | 一种基于Capsule的掌静脉特征提取方法 | |
| Goodfellow et al. | Multi-digit number recognition from street view imagery using deep convolutional neural networks | |
| De Souza et al. | Deep texture features for robust face spoofing detection | |
| Chen et al. | An approach to detecting diabetic retinopathy based on integrated shallow convolutional neural networks | |
| Gan | Facial expression recognition using convolutional neural network | |
| CN104361313B (zh) | 一种基于多核学习异构特征融合的手势识别方法 | |
| Jiang et al. | Hyperspectral image classification with spatial consistence using fully convolutional spatial propagation network | |
| CN107169479A (zh) | 基于指纹验证的智能移动设备敏感数据防护方法 | |
| Liu et al. | Finger vein recognition with superpixel-based features | |
| CN112464730B (zh) | 一种基于域无关前景特征学习的行人再识别方法 | |
| CN108416338A (zh) | 一种非接触掌纹身份认证方法 | |
| CN106709431A (zh) | 虹膜识别方法及装置 | |
| Zhang et al. | Saliency detection via extreme learning machine | |
| Chowdhury et al. | Lip as biometric and beyond: a survey | |
| Martinez-Martin et al. | Deep learning techniques for Spanish sign language interpretation | |
| Huynh et al. | Plant identification using new architecture convolutional neural networks combine with replacing the red of color channel image by vein morphology leaf | |
| Mali et al. | Indian sign language recognition using SVM classifier | |
| Wang et al. | A two-branch hand gesture recognition approach combining atrous convolution and attention mechanism | |
| Wazirali et al. | Hybrid Feature Extractions and CNN for Enhanced Periocular Identification During Covid-19. | |
| CN109740407A (zh) | 一种基于图网络的掌静脉特征提取方法 | |
| CN103942545A (zh) | 一种基于双向压缩数据空间维度缩减的人脸识别方法和装置 | |
| Kranthi Kumar et al. | Effective deep learning approach based on VGG-mini architecture for iris recognition | |
| Ghosh et al. | Gender classification and age detection based on human facial features using multi-class SVM | |
| NAWWAR et al. | Improvement of confusion matrix for Hand Vein Recognition Based On Deep-Learning multi-classifier Decisions | |
| CN115810106A (zh) | 一种复杂环境下茶叶嫩梢品级精准识别方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Address after: 510670 17 / F, building 3, Yunsheng Science Park, No. 11, puyuzhong Road, Huangpu District, Guangzhou City, Guangdong Province Applicant after: GUANGZHOU MELUX INFORMATION TECHNOLOGY Co.,Ltd. Address before: 510670 5th floor, building 5, No.8, science Avenue, Science City, Guangzhou high tech Industrial Development Zone, Guangzhou City, Guangdong Province Applicant before: GUANGZHOU MELUX INFORMATION TECHNOLOGY Co.,Ltd. |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| PP01 | Preservation of patent right | ||
| PP01 | Preservation of patent right |
Effective date of registration: 20231120 Granted publication date: 20210831 |
|
| PD01 | Discharge of preservation of patent | ||
| PD01 | Discharge of preservation of patent |
Date of cancellation: 20231219 Granted publication date: 20210831 |