CN111967351B - 基于深度树网络的指静脉认证算法、装置、介质和设备 - Google Patents
基于深度树网络的指静脉认证算法、装置、介质和设备 Download PDFInfo
- Publication number
- CN111967351B CN111967351B CN202010755078.XA CN202010755078A CN111967351B CN 111967351 B CN111967351 B CN 111967351B CN 202010755078 A CN202010755078 A CN 202010755078A CN 111967351 B CN111967351 B CN 111967351B
- Authority
- CN
- China
- Prior art keywords
- sample
- layer
- tree network
- decision
- node
- 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.)
- Active
Links
- 210000003462 vein Anatomy 0.000 title claims abstract description 37
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 32
- 238000000605 extraction Methods 0.000 claims abstract description 43
- 230000004044 response Effects 0.000 claims description 60
- 230000009466 transformation Effects 0.000 claims description 55
- 230000006870 function Effects 0.000 claims description 39
- 238000012549 training Methods 0.000 claims description 38
- 238000000034 method Methods 0.000 claims description 35
- 239000011159 matrix material Substances 0.000 claims description 31
- 238000010586 diagram Methods 0.000 claims description 20
- 230000008569 process Effects 0.000 claims description 17
- 238000012935 Averaging Methods 0.000 claims description 16
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 13
- 239000013598 vector Substances 0.000 claims description 10
- 238000011176 pooling Methods 0.000 claims description 9
- 230000003321 amplification Effects 0.000 claims description 7
- 239000000284 extract Substances 0.000 claims description 7
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 4
- 238000003860 storage Methods 0.000 claims description 4
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 3
- 239000002131 composite material Substances 0.000 claims description 3
- 238000004513 sizing Methods 0.000 claims description 2
- 238000013461 design Methods 0.000 description 5
- 230000004913 activation Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000010485 coping Effects 0.000 description 2
- 238000005520 cutting process Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Images
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06V10/56—Extraction of image or video features relating to colour
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- Image Analysis (AREA)
- Collating Specific Patterns (AREA)
Abstract
本发明提供了一种基于深度树网络的指静脉认证算法、装置、介质和设备;其中算法包括:将待验证样本和注册样本作为样本对,进行对齐和组合,得到对齐合成样本;将所述对齐合成样本输入至深度树网络,通过所述深度树网络对所述对齐合成样本进行识别处理,得到待验证样本认证结果;深度树网络是深度为四层的二叉树结构;在二叉树结构中,第一层为一个节点,第二层为两个节点,第三层为四个节点,第四层为八个节点;前三层每个节点均由特征提取单元FEU和决策路由单元DRU组成;第四层每个节点均为分类决策单元CDU。本发明适用于指静脉认证这一小样本任务,能鲁棒地应对多种类型静脉变化,有效对指静脉进行识别,识别准确度高。
Description
技术领域
本发明涉及指静脉认证技术领域,更具体地说,涉及一种基于深度树网络的指静脉认证算法、装置、介质和设备。
背景技术
基于人工设计特征的传统指静脉算法,在面对多种变化的场景如不同光照、不同手指旋转角度时,鲁棒性较差,而深度学习方法可以自适应、有监督地提取更具区分力的特征,因此本发明的主要目的为:基于深度学习的方法,设计一种能适用于指静脉认证这一小样本任务且能鲁棒地应对多种类型静脉变化的认证算法。目前公开的指静脉数据集的实际特点为:样本总数少、类内样本少且类内差异小,在认证任务中构建类内和类间样本进行二分类学习时,会造成过拟合、类别不平衡、同类差异大等问题。
发明内容
为克服现有技术中的缺点与不足,本发明的目的在于提供一种基于深度树网络的指静脉认证算法、装置、介质和设备;本发明适用于指静脉认证这一小样本任务,能鲁棒地应对多种类型静脉变化,有效对指静脉进行识别,识别准确度高。
为了达到上述目的,本发明通过下述技术方案予以实现:一种基于深度树网络的指静脉认证算法,其特征在于:包括:
将待验证样本和注册样本作为样本对,进行对齐和组合,得到对齐合成样本;
将所述对齐合成样本输入至深度树网络,通过所述深度树网络对所述对齐合成样本进行识别处理,得到待验证样本认证结果;其中,所述深度树网络为对初始所述深度树网络进行训练处理得到的网络;
所述深度树网络是深度为四层的二叉树结构;在二叉树结构中,第一层为一个节点,第二层为两个节点,第三层为四个节点,第四层为八个节点;上一层每个节点均与下一层两个左、右节点相连,以组成树状网络;前三层每个节点均由特征提取单元FEU和决策路由单元DRU组成;第四层每个节点均为分类决策单元CDU;
特征提取单元FEU提取输入样本的特征;决策路由单元DRU获取特征对应的一维响应值,根据响应值的正负将特征划分到下一层左、右节点中,响应值为负则划分到左节点、为正则划分到右节点,使样本沿着树状网络流动,最后流到第四层的八个子集,各个分类决策单元CDU分别对子集内的样本进行学习和分类,以得到待验证样本认证结果。
优选地,所述的将待验证样本和注册样本作为样本对,进行对齐和组合,是指:
对待验证样本r1(x,y)和注册样本r2(x,y),先分别采用直方图均衡化处理得到纹路增强后的图p1(x,y)、p2(x,y);然后分别计算p1(x,y)、p2(x,y)沿垂直方向(即y方向)的梯度值,从而得到沿y方向的梯度图d1(x,y)、d2(x,y);
之后在左右宽度对齐的情况下将梯度图d2(x,y)沿梯度图d1(x,y)底部向上移动,每次移动后计算得到两张梯度图的重叠区域内所有对应位置的梯度差值,然后计算梯度差值的平均值;当梯度图d2(x,y)移动到与梯度图d1(x,y)的上边缘重合时停止移动;将梯度差值的平均值最小的重叠区域作为待验证样本r1(x,y)和注册样本r2(x,y)的公共区域;从原始待验证样本r1(x,y)和注册样本r2(x,y)截取公共区域,得到对齐的两个样本;
将对齐的两个样本进行尺寸调整;再将对齐的其中一个样本作为合成图像的R通道,另一个样本作为合成图像的G通道,将对齐的两个样本高度分别缩小一半后沿高度拼接在一起作为B通道;将R、G、B三个通道沿颜色通道维度拼接组成对齐合成样本。
优选地,所述特征提取单元FEU包括:
特征提取卷积层Conv1;
特征提取最大池化层Maxpooling;
以及特征提取残差块Res1.0/Res1.1;每个特征提取残差块均包含两个子卷积层Conv1和Conv2,还包含特征提取残差块的跳转连接以表示从输入到输出的单位映射。
优选地,所述决策路由单元DRU包括:
决策路由卷积层Conv1,用于对输入特征图X进行通道变换;
决策路由拉伸层Flatten,用于将输入特征图X拉伸为二维特征图;
决策路由零均值化层BN,用于对特征图进行零均值化;
以及决策路由线性变换层Linear Transformation,通过变换矩阵P对零均值化后的特征图进行线性变换得到了一维的响应值R(X)=X·P;
根据决策路由线性变换层得到的响应值R(X)的正负将原始输入特征图X划分到下一层左、右节点中;
所述变换矩阵P是通过获取输入特征图X的协方差矩阵Cm×m=XTX最大特征值对应的特征向量而得到。
优选地,所述分类决策单元CDU包括:
分类决策卷积层Conv1,用于沿通道对输入特征图N×H×W×C的信息进行整合,输出的特征图尺寸为N×H×W×128;
分类决策平均池化层Avgpool,用于将输入特征图中每个通道对应的H×W特征求全局平均值,输出的特征图尺寸为N×1×1×128;
分类决策拉伸层Flatten,用于将输入特征图拉平为二维特征图,输出的特征图尺寸为N×128;
分类决策全连接层FC,用于对特征图的信息进行整合,输出一个N×(num ofclasses)的向量作为匹配分数,其中num of class代表任务设置的类别数,设定num ofclass=1;设定分数阈值;若匹配分数小于分数阈值,则判定样本对为类间样本对,待验证样本认证不通过;否则判定样本对为类内样本对,待验证样本认证通过。
优选地,所述深度树网络训练过程中,决策路由单元DRU的损失函数LDRU1为:
其中,r1、r2分别为比例因子,r1=1e-3,r2=1e-5;为决策路由单元DRU的目标方程最小化,Trace(·)为计算矩阵的迹,即矩阵对角线元素之和;在训练过程中约束LDRU1最小化,以实现决策路由单元DRU的目标方程,使vT·XT·X·v最大化;
在当前节点,设定样本特征的响应值矩阵为R(X),划分到左节点的样本特征响应值之和为Rleft,划分到右节点的样本特征的响应值之和为Rright,设定损失函数LDRU2:
其中Nleft为划分到左节点的样本特征数量,Nright为划分到右节点的样本特征数量;通过在训练过程中约束LDRU2最小化,以使约束划分到左右节点的样本特征的响应值均值差异最大化;
采用sigmoid函数处理分类决策单元输出的分数值,将分数值约束在[0,1]区间内,接着采用交叉熵损失作为分类损失函数,在由第一层节点到第四层每个节点的路径对应的子网络中,样本对xi对应的损失函数Lsample为:
Lsample=yiIn(pi)+(1-yi)In(1-pi)
其中,yi为第i个样本对的真实标签(0或者1),pi为深度树网络输出的第i个样本对的匹配分数值,且由sigmiod函数处理过;
当输入为一个小批量数据时,对应的分类损失为该小批量数据中所有样本的分类损失的均值:
其中,α、β、η为比例因子。
优选地,采用SGD随机梯度下降算法结合学习率衰减策略及权重衰减来对深度树网络进行训练优化;在训练优化中,设定总损失函数为:
优选地,在深度树网络训练过程中,采用移位变换、旋转变换、缩放变换、仿射变换、透视变换和颜色增强中的任一种或两种以上对训练样本进行数据扩增。
一种基于深度树网络的指静脉认证装置,其特征在于,包括:
数据输入模块,用于将待验证样本和注册样本作为样本对,进行对齐和组合,得到对齐合成样本;
以及数据认证模块,用于将所述对齐合成样本输入至深度树网络,通过所述深度树网络对所述对齐合成样本进行识别处理,得到待验证样本认证结果;其中,所述深度树网络为对初始所述深度树网络进行训练处理得到的网络;
所述深度树网络是深度为四层的二叉树结构;在二叉树结构中,第一层为一个节点,第二层为两个节点,第三层为四个节点,第四层为八个节点;上一层每个节点均与下一层两个左、右节点相连,以组成树状网络;前三层每个节点均由特征提取单元FEU和决策路由单元DRU组成;第四层每个节点均为分类决策单元CDU;
特征提取单元FEU提取输入样本的特征;决策路由单元DRU获取特征对应的一维响应值,根据响应值的正负将特征划分到下一层左、右节点中,响应值为负则划分到左节点、为正则划分到右节点,使样本沿着树状网络流动,最后流到第四层的八个子集,各个分类决策单元CDU分别对子集内的样本进行学习和分类,以得到待验证样本认证结果。
一种存储介质,其特征在于,其中所述存储介质存储有计算机程序,所述计算机程序当被处理器执行时使所述处理器执行上述基于深度树网络的指静脉认证算法。
一种计算设备,包括处理器以及用于存储处理器可执行程序的存储器,其特征在于,所述处理器执行存储器存储的程序时,实现上述基于深度树网络的指静脉认证算法。
与现有技术相比,本发明具有如下优点与有益效果:
本发明认证算法,基于深度学习,能适用于指静脉认证这一小样本任务,能鲁棒地应对多种类型静脉变化,有效对指静脉进行识别,识别准确度高。
附图说明
图1是本发明基于深度树网络的指静脉认证算法的流程图;
图2(a)~图2(f)是本发明中样本对的对齐过程示意图;
图3(a)~图3(c)是本发明中样本对的组合过程示意图;
图4是本发明中深度树网络的架构示意图;
图5是本发明中特征提取单元FEU的结构示意图;
图6是本发明中决策路由单元DRU的功能示意图;
图7是本发明中决策路由单元DRU的结构示意图;
图8是本发明中分类决策单元CDU的结构示意图。
具体实施方式
下面结合附图与具体实施方式对本发明作进一步详细的描述。
实施例一
本实施例一种基于深度树网络的指静脉认证算法,如图1所示,包括:
将待验证样本和注册样本作为样本对,进行对齐和组合,得到对齐合成样本;
将所述对齐合成样本输入至深度树网络,通过所述深度树网络对所述对齐合成样本进行识别处理,得到待验证样本认证结果;其中,所述深度树网络为对初始所述深度树网络进行训练处理得到的网络。
所述的将待验证样本和注册样本作为样本对,进行对齐和组合,是指:
图2(a)至图2(f)是样本对的对齐过程示意图;对待验证样本r1(x,y)和注册样本r2(x,y),如图2(a)所示,先分别采用直方图均衡化处理得到纹路增强后的图p1(x,y)、p2(x,y),如图2(b)所示;然后分别计算p1(x,y)、p2(x,y)沿垂直方向(即y方向)的梯度值,从而得到两个样本沿y方向的梯度图d1(x,y)、d2(x,y),,如图2(c)所示:
其中,row代表图像矩阵的行数;
之后在左右宽度对齐的情况下将梯度图d2(x,y)沿梯度图d1(x,y)底部向上移动,如图2(c)和图2(d)中箭头所示,每移动一个像素值的距离,两张梯度图的重叠区域,如图2(d)中方框内部分,便逐渐增大,每次移动后计算得到两张梯度图的重叠区域内所有对应位置的梯度差值,然后计算梯度差值的平均值,作为衡量两张图的重叠区域相似度的指标,平均值越小,相似度越大;当梯度图d2(x,y)移动到与梯度图d1(x,y)的上边缘重合时停止移动;将梯度差值的平均值最小的重叠区域作为待验证样本r1(x,y)和注册样本r2(x,y)的公共区域;从原始待验证样本r1(x,y)和注册样本r2(x,y)截取公共区域,得到对齐的两个样本。
截取公共区域的方法是:只需要在移动过程中记录重叠区域在两幅图中对应的y坐标y11、y12、y21、y22,如图2(e)所示,即可在最后确定公共区域后根据y坐标从两幅原图r1(x,y)、r2(x,y)中进行截取,截取到的结果如图2(f)所示,可看出截取后两张图的纹路相比原图更加对齐,缩小了类内样本间的差异。
图3(a)至图3(c)是样本对组合的过程示意图;图3(a)是的原始待验证样本和注册样本,图3(b)是截取后对齐的两个样本;将对齐的两个样本进行尺寸调整,调整为深度树网络所要求的输入尺寸;再将对齐的其中一个样本作为合成图像的R通道,另一个样本作为合成图像的G通道,将对齐的两个样本高度分别缩小一半后沿高度拼接在一起作为B通道;将R、G、B三个通道沿颜色通道维度拼接组成对齐合成样本,如图3(c)所示。
如图4所示,深度树网络是深度为四层的二叉树结构;其中七个方框代表非叶子节点,八个圆圈代表八个叶子节点。在二叉树结构中,第一层为一个节点,第二层为两个节点,第三层为四个节点,第四层为八个节点;上一层每个节点均与下一层两个左、右节点相连,以组成树状网络;前三层每个节点均由特征提取单元FEU(Feature extraction unit)和决策路由单元DRU(Decision routing unit)组成;第四层每个节点均为分类决策单元CDU(Classification decision unit)。
特征提取单元FEU主要负责提取输入样本的特征。决策路由单元DRU主要负责决策样本在深度树网络中的流动路径;分类决策单元CDU在深度树网络的叶子节点处用来最终决策样本的类别。图4中为每个节点设置了编号,按照从上往下从左往右的顺序依次编号为:1、1_0、1_1、1_0_0、1_0_1、1_1_0、1_1_1、1_0_0_0、1_0_0_1、1_0_1_0、1_0_1_1、1_1_0_0、1_1_0_1、1_1_1_0、1_1_1_1。
当输入一批样本时,在每个非叶子节点处,特征提取单元FEU提取输入样本的特征;决策路由单元DRU获取特征对应的一维响应值,根据响应值的正负将特征划分到下一层左、右节点中,响应值为负则划分到左节点、为正则划分到右节点,使样本沿着树状网络流动,最后流到第四层的八个子集,每个子集均对应着树状网络中从根节点到该叶子节点路径上的一条特定子网络,各个分类决策单元CDU分别对子集内的样本进行针对性的学习和分类,以得到待验证样本认证结果。
深度树网络的目标为:1.希望特征空间接近的样本划分到同一个叶子节点;2.希望深度树网络中由根节点到每个叶子节点的路径上对应的子网络均有较高的分类精度。基于这两个目标,对深度树网络的三个单元:FEU、DRU、CDU进行设计。
特征提取单元FEU主要负责提取特征,本发明以Resnet-18残差块作为基础块来设计特征提取单元FEU。具体结构如图5所示,包括:
特征提取卷积层Conv1:核尺寸为3×3,核步长Stride为2,边界填充尺寸Padding为1,输出特征图通道数为32,其后跟着BN(批归一化层)以及激活函数ReLu;
特征提取最大池化层Maxpooling:尺寸为3×3,步长Stride为2,边界填充尺寸Padding为1,输出特征图通道数为32;
以及特征提取残差块Res1.0/Res1.1:每个特征提取残差块均包含两个子卷积层Conv1和Conv2,子卷积层的核尺寸均为3×3,核步长Stride为1,边界填充尺寸Padding为1,输出特征图通道数为32;还包含特征提取残差块的跳转连接以表示从输入到输出的单位映射。
令输入至特征提取单元FEU的小批量样本尺寸为N×H×W×C(其中N为小批量中样本的个数,H、W为每个样本的高度和宽度尺寸,C为样本的颜色通道数,采用三通道的样本作为输入),经过特征提取单元FEU后,输出的特征图尺寸为
如图6所示,决策路由单元DRU主要负责将输入特征图X映射为一维响应值R(X),然后根据响应值的正负将输入特征图划分到下一层的左右节点,决策路由单元DRU基于深度树网络的目标1进行设计,则决策路由单元DRU的目标为:希望特征空间接近的样本划分到同一个叶子节点。具体可设计一个合适的特征映射函数,使得映射后的响应值具有最大的可分性,因此决策路由单元DRU的目标可转化为:对输入特征图进行降维,使得降维后的响应值具有最大的可分性。其与PCA算法的目标一致,因此决策路由单元DRU可采用PCA算法的原理进行设计。
PCA算法的求解步骤如下:
①先对数据矩阵Xn×m的每个数据维度即每列进行0均值化;
②计算数据矩阵Xn×m对应的协方差矩阵Cm×m=XTX;
③求协方差矩阵Cm×m的所有特征值λi及对应的特征向量vi;
④取最大的k个特征值λ1,k对应的特征向量v1,k按列排列,即可组合成变换矩阵P=[v1,v2,…,vk];
⑤由式Yn×k=XP求得满足PCA目标的降维后的数据集。
其中第①步和第⑤步为对原始数据进行变换的过程,第②、③、④步为求解变换矩阵的过程;则决策路由单元DRU结构需要实现第①步和第⑤步中的过程,第①步,对原始数据进行0均值化,在深度网络中,可采用缩放因子为1、平移因子为0的BN层来实现;第⑤步可采用线性变换层来实现。
决策路由单元DRU的具体结构设计如图7所示;令输入DRU的特征图X的尺寸为N×H×W×C,决策路由单元DRU包括:
决策路由卷积层Conv1,用于对输入特征图X进行通道变换,核尺寸为1×1,核步长Stride为2,边界填充尺寸Padding为1,输出的特征图通道数为32,其后跟着激活函数ReLu;变换后输出的特征图尺寸为N×H×W×32;
决策路由拉伸层Flatten,用于将四维输入特征图X拉伸为二维特征图,方便后面进行PCA降维变换;拉伸层变换后输出的二维特征图尺寸为N×(H*W*32);
决策路由零均值化层BN,对应PCA算法的第①步,将输入特征图的每个维度进行0均值化,采用的是不带可学习的缩放和平移因子的BN,即缩放因子γ=1,平移因子β=0;输出的特征图尺寸为N×(H*W*32);
以及决策路由线性变换层Linear Transformation:对输入进行线性变换,即通过变换矩阵P对零均值化后的特征图进行线性变换得到了一维的响应值R(X)=X·P,其中R(X)的维度为N×1;
根据决策路由线性变换层得到的响应值R(X)的正负将原始输入特征图X划分到下一层左右节点Xleft、Xright中;Xleft、Xright计算如下:
即将响应值Ri[x]≤0的样本Xi划分到左节点,响应值Ri[x]>0的样本Xi划分到右节点。
决策路由单元DRU为达到使映射后的响应值具有最大可分性的目标,基于以上介绍的PCA原理进行了设计,首先对原始特征图XN×m进行零均值化,并使用变换矩阵P对XN×m进行线性变换得到了一维的响应值R(X)=X·P,此时决策路由单元DRU的目标为:如何求解变换矩阵P。由上面介绍的PCA算法求解步骤②、③、④可知,只需找到XN×m的协方差矩阵Cm×m=XTX的最大的k个特征值对应的特征向量即可组合得到变换矩阵P,又决策路由单元DRU是将输入特征图降到一维,k取值为1,则决策路由单元DRU的最终目标为:找到Cm×m最大的特征值对应的特征向量。该特征向量即为变换矩阵P,Cm×m的特征值与特征向量的关系为:
Cm×m·ν=λ·ν→XTX·ν=λ·ν
其中,λ代表特征值,ν代表特征向量,由上式可求得λ:
若对ν进行L2范数归一化,即令||ν||=1,根据决策路由单元DRU的最终目标,可得到决策路由单元DRU的目标方程为:
综上,决策路由单元DRU将输入X划分为Xleft、Xright后,Xleft、Xright分别流入下一层的左右节点中,继续由节点中的特征提取单元FEU进行特征提取,并由节点的决策路由单元DRU获取响应值继续往下划分,一直到达叶子节点为止。
当到达叶子节点时,则通过分类决策单元CDU直接输出样本的预测类别。如图8所示,分类决策单元CDU包括:
分类决策卷积层Conv1:核尺寸为1×1,核步长Stride为1,边界填充尺寸Padding为0,输出的特征图通道数为128,其后跟着激活函数ReLu;用于沿通道对输入特征图N×H×W×C的信息进行整合,输出的特征图尺寸为N×H×W×128;
分类决策平均池化层Avgpool:用于将输入特征图中每个通道对应的H×W特征求全局平均值,输出的特征图尺寸为N×1×1×128;
分类决策拉伸层Flatten:用于将四维的输入特征图拉平为二维特征图,方便后面的全连接层操作,输出的特征图尺寸为N×128;
分类决策全连接层FC:用于对特征图的信息进行整合,输出一个N×(num ofclasses)的向量作为匹配分数,其中num of class代表任务设置的类别数,本发明的任务为二分类,希望网络输出样本对的匹配分数,设定num of class=1;设定分数阈值;若匹配分数小于分数阈值,则判定样本对为类间样本对,待验证样本认证不通过;否则判定样本对为类内样本对,待验证样本认证通过。为减少网络参数,本发明没有使用常用的双层全连接层来进行分类预测,而采用了一层平均池化加上一层全连接层。
在深度树网络训练过程中,本发明设计了几种能有效模拟实际采集场景中静脉变化的扩增方法,以增加样本总数;包括:移位变换、旋转变换、缩放变换、仿射变换、透视变换和颜色增强等。具体地,在训练过程中,从这几种扩增方法中随机选取一种,然后按照设置的发生概率对原始图片进行扩增变换,在增大样本数量的同时也保证了数据的整体多样性。这样可以一定程度地解决由于样本总数过少所导致的过拟合问题。由于过大程度的扩增变换会导致变换后的样本过于远离原始数据的分布,而影响泛化性能,因此所有变换均在一定合理范围内进行。
损失函数基于深度树网络的两个目标进行设计。
针对目标一,希望特征空间接近的样本划分到同一个叶子节点,取决于决策路由单元DRU的设计。根据决策路由单元DRU的目标方程,设计出决策路由单元DRU的损失函数LDRU1为:
其中,r1、r2分别为左右两部分的比例因子,r1=1e-3,r2=1e-5;为决策路由单元DRU的目标方程最小化,即将决策路由单元DRU的目标方程中的最大化目标转化为了最小化目标,Trace(·)为计算矩阵的迹,即矩阵对角线元素之和,用来约束协方差矩阵对角线元素大小,避免过大,有一定正则化作用;在训练过程中约束LDRU1最小化,以实现决策路由单元DRU的目标方程,使vT·XT·X·v最大化。
同时为实现决策路由单元DRU的目标,可进一步约束划分到左节点的所有样本特征的响应值均值,与划分到右节点的所有样本特征的响应值均值的差异尽量大,这样即可在训练中约束分布接近的样本被划分到相同的节点中,分布差异较大的样本被划分到不同的节点中。
在当前节点,设定样本特征的响应值矩阵为R(X),划分到左节点的样本特征响应值之和为Rleft,划分到右节点的样本特征的响应值之和为Rright,设定损失函数LDRU2:
其中Nleft为划分到左节点的样本特征数量,Nright为划分到右节点的样本特征数量;通过在训练过程中约束LDRU2最小化,以使约束划分到左右节点的样本特征的响应值均值差异最大化。
针对目标二,希望深度树网络中由根节点到每个叶子节点的路径上对应的子网络均有较高的分类精度。可设计一个分类损失函数来优化子网络的分类精度。每个子网络的最后一层FC层,可直接输出样本对的一维匹配分数,则训练目标为:希望类间样本对(标签为0)的匹配分数尽量接近0,而类内样本对(标签为1)的匹配分数尽量接近1。因此,可采用sigmoid函数处理分类决策单元输出的分数值,将分数值约束在[0,1]区间内,接着采用交叉熵损失作为分类损失函数,在由第一层节点到第四层每个节点的路径对应的子网络中,样本对xi对应的损失函数Lsample为:
Lsample=yiIn(pi)+(1-yi)In(1-pi)
其中,yi为第i个样本对的真实标签(0或者1),pi为深度树网络输出的第i个样本对的匹配分数值,且由sigmiod函数处理过。由损失函数Lsample公式可知,只有当样本对的匹配分数值与其真实标签值相同时,该样本对的损失值Lsample才为0,同时,匹配分数值越接近于真实标签值,样本对的损失值Lsample越接近于0。通过训练优化使每个样本的损失Lsample尽量小或接近于0,则可使网络输出的类内样本对的匹配分数值越接近于1,类间样本对的匹配分数值越接近于0,这样只需简单设置匹配阈值为0.5,即可正确将样本进行分类,达到深度树网络的目标二。
当输入为一个小批量数据时,对应的分类损失为该小批量数据中所有样本的分类损失的均值:
整个树状网络包含七个非叶子节点和八个叶子节点,且每个非叶子节点均包含决策路由单元DRU,每个叶子节点均包含分类决策单元CDU,即每个非叶子节点对应一个LDRU1损失和一个LDRU2损失,每个叶子节点对应一个LCDU损失,因此总损失函数为:
其中,α、β、η为三类损失在总损失中的比例因子;本发明设置α=1、β=1、η=2,将更多重心放在分类损失的优化上。
设计了网络结构和损失函数,选择合适的优化算法来优化网络参数也十分关键,最常用的优化算法为梯度下降优化算法,本发明采用SGD随机梯度下降算法结合学习率衰减策略及权重衰减来对深度树网络进行训练优化。
学习率衰减策略即针对不同的训练阶段设置了不同的学习率,在整个学习过程中,使学习率呈衰减状态,避免了在训练后期由于学习率过高而导致损失无法收敛发生震荡的情况,具体如下:
其中lr为学习率,epoch代表整个数据集完整训练的轮次,整个数据集完整地训练一次称为一个epoch。
在对损失进行优化时,为防止过拟合,在总损失中加入了权重衰减项,如下所示:
训练过程中,训练集每完成一个epoch的训练,便采用验证集对模型进行验证,并保存模型参数,总共训练100个epoch,可根据实际训练情况提前停止训练。然后在保存的所有模型中挑选在验证集上表现最好的(等误率EER最低)模型作为最佳模型,最后使用测试集对最佳模型的性能进行评估。
实施例二
为实现实施例一所述的基于深度树网络的指静脉认证算法,本实施例提供一种基于深度树网络的指静脉认证装置,包括:
数据输入模块,用于将待验证样本和注册样本作为样本对,进行对齐和组合,得到对齐合成样本;
以及数据认证模块,用于将所述对齐合成样本输入至深度树网络,通过所述深度树网络对所述对齐合成样本进行识别处理,得到待验证样本认证结果;其中,所述深度树网络为对初始所述深度树网络进行训练处理得到的网络;
所述深度树网络是深度为四层的二叉树结构;在二叉树结构中,第一层为一个节点,第二层为两个节点,第三层为四个节点,第四层为八个节点;上一层每个节点均与下一层两个左、右节点相连,以组成树状网络;前三层每个节点均由特征提取单元FEU和决策路由单元DRU组成;第四层每个节点均为分类决策单元CDU;
特征提取单元FEU提取输入样本的特征;决策路由单元DRU获取特征对应的一维响应值,根据响应值的正负将特征划分到下一层左、右节点中,响应值为负则划分到左节点、为正则划分到右节点,使样本沿着树状网络流动,最后流到第四层的八个子集,各个分类决策单元CDU分别对子集内的样本进行学习和分类,以得到待验证样本认证结果。
实施例三
本实施例一种存储介质,其特征在于,其中所述存储介质存储有计算机程序,所述计算机程序当被处理器执行时使所述处理器执行实施例一所述的基于深度树网络的指静脉认证算法。
实施例四
本实施例一种计算设备,包括处理器以及用于存储处理器可执行程序的存储器,其特征在于,所述处理器执行存储器存储的程序时,实现实施例一所述的基于深度树网络的指静脉认证算法。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (7)
1.一种基于深度树网络的指静脉认证算法,其特征在于:包括:
将待验证样本和注册样本作为样本对,进行对齐和组合,得到对齐合成样本;
将所述对齐合成样本输入至深度树网络,通过所述深度树网络对所述对齐合成样本进行识别处理,得到待验证样本认证结果;其中,所述深度树网络为对初始所述深度树网络进行训练处理得到的网络;
所述深度树网络是深度为四层的二叉树结构;在二叉树结构中,第一层为一个节点,第二层为两个节点,第三层为四个节点,第四层为八个节点;上一层每个节点均与下一层两个左、右节点相连,以组成树状网络;前三层每个节点均由特征提取单元FEU和决策路由单元DRU组成;第四层每个节点均为分类决策单元CDU;
特征提取单元FEU提取输入样本的特征;决策路由单元DRU获取特征对应的一维响应值,根据响应值的正负将特征划分到下一层左、右节点中,响应值为负则划分到左节点、为正则划分到右节点,使样本沿着树状网络流动,最后流到第四层的八个子集,各个分类决策单元CDU分别对子集内的样本进行学习和分类,以得到待验证样本认证结果;
所述特征提取单元FEU包括:
特征提取卷积层Conv1;
特征提取最大池化层Maxpooling;
以及特征提取残差块Res1.0/Res1.1;每个特征提取残差块均包含两个子卷积层Conv1和Conv2,还包含特征提取残差块的跳转连接以表示从输入到输出的单位映射;
所述决策路由单元DRU包括:
决策路由卷积层Conv1,用于对输入特征图X进行通道变换;
决策路由拉伸层Flatten,用于将输入特征图X拉伸为二维特征图;
决策路由零均值化层BN,用于对特征图进行零均值化;
以及决策路由线性变换层Linear Transformation,通过变换矩阵P对零均值化后的特征图进行线性变换得到了一维的响应值R(X)=X·P;
根据决策路由线性变换层得到的响应值R(X)的正负将原始输入特征图X划分到下一层左、右节点中;
所述分类决策单元CDU包括:
分类决策卷积层Conv1,用于沿通道对输入特征图N×H×W×C的信息进行整合,输出的特征图尺寸为N×H×W×128;
分类决策平均池化层Avgpool,用于将输入特征图中每个通道对应的H×W特征求全局平均值,输出的特征图尺寸为N×1×1×128;
分类决策拉伸层Flatten,用于将输入特征图拉平为二维特征图,输出的特征图尺寸为N×128;
分类决策全连接层FC,用于对特征图的信息进行整合,输出一个N×(num of classes)的向量作为匹配分数,其中num of class代表任务设置的类别数,设定num of class=1;设定分数阈值;若匹配分数小于分数阈值,则判定样本对为类间样本对,待验证样本认证不通过;否则判定样本对为类内样本对,待验证样本认证通过;
所述深度树网络训练过程中,决策路由单元DRU的损失函数LDRU1为:
其中,r1、r2分别为比例因子,r1=1e-3,r2=1e-5;为决策路由单元DRU的目标方程最小化,Trace(·)为计算矩阵的迹,即矩阵对角线元素之和;在训练过程中约束LDRU1最小化,以实现决策路由单元DRU的目标方程,使vT·XT·X·v最大化;
在当前节点,设定样本特征的响应值矩阵为R(X),划分到左节点的样本特征响应值之和为Rleft,划分到右节点的样本特征的响应值之和为Rright,设定损失函数LDRU2:
其中Nleft为划分到左节点的样本特征数量,Nright为划分到右节点的样本特征数量;通过在训练过程中约束LDRU2最小化,以使约束划分到左右节点的样本特征的响应值均值差异最大化;
采用sigmoid函数处理分类决策单元输出的分数值,将分数值约束在[0,1]区间内,接着采用交叉熵损失作为分类损失函数,在由第一层节点到第四层每个节点的路径对应的子网络中,样本对xi对应的损失函数Lsample为:
Lsample=yiIn(pi)+(1-yi)In(1-pi)
其中,yi为第i个样本对的真实标签(0或者1),pi为深度树网络输出的第i个样本对的匹配分数值,且由sigmiod函数处理过;
当输入为一个小批量数据时,对应的分类损失为该小批量数据中所有样本的分类损失的均值:
总损失函数为:
其中,α、β、η为比例因子。
2.根据权利要求1所述的基于深度树网络的指静脉认证算法,其特征在于:所述的将待验证样本和注册样本作为样本对,进行对齐和组合,是指:
对待验证样本r1(x,y)和注册样本r2(x,y),先分别采用直方图均衡化处理得到纹路增强后的图p1(x,y)、p2(x,y);然后分别计算p1(x,y)、p2(x,y)沿垂直方向(即y方向)的梯度值,从而得到沿y方向的梯度图d1(x,y)、d2(x,y);
之后在左右宽度对齐的情况下将梯度图d2(x,y)沿梯度图d1(x,y)底部向上移动,每次移动后计算得到两张梯度图的重叠区域内所有对应位置的梯度差值,然后计算梯度差值的平均值;当梯度图d2(x,y)移动到与梯度图d1(x,y)的上边缘重合时停止移动;将梯度差值的平均值最小的重叠区域作为待验证样本r1(x,y)和注册样本r2(x,y)的公共区域;从原始待验证样本r1(x,y)和注册样本r2(x,y)截取公共区域,得到对齐的两个样本;
将对齐的两个样本进行尺寸调整;再将对齐的其中一个样本作为合成图像的R通道,另一个样本作为合成图像的G通道,将对齐的两个样本高度分别缩小一半后沿高度拼接在一起作为B通道;将R、G、B三个通道沿颜色通道维度拼接组成对齐合成样本。
4.根据权利要求1所述的基于深度树网络的指静脉认证算法,其特征在于:在深度树网络训练过程中,采用移位变换、旋转变换、缩放变换、仿射变换、透视变换和颜色增强中的任一种或两种以上对训练样本进行数据扩增。
5.一种基于深度树网络的指静脉认证装置,其特征在于,包括:
数据输入模块,用于将待验证样本和注册样本作为样本对,进行对齐和组合,得到对齐合成样本;
以及数据认证模块,用于将所述对齐合成样本输入至深度树网络,通过所述深度树网络对所述对齐合成样本进行识别处理,得到待验证样本认证结果;其中,所述深度树网络为对初始所述深度树网络进行训练处理得到的网络;
所述深度树网络是深度为四层的二叉树结构;在二叉树结构中,第一层为一个节点,第二层为两个节点,第三层为四个节点,第四层为八个节点;上一层每个节点均与下一层两个左、右节点相连,以组成树状网络;前三层每个节点均由特征提取单元FEU和决策路由单元DRU组成;第四层每个节点均为分类决策单元CDU;
特征提取单元FEU提取输入样本的特征;决策路由单元DRU获取特征对应的一维响应值,根据响应值的正负将特征划分到下一层左、右节点中,响应值为负则划分到左节点、为正则划分到右节点,使样本沿着树状网络流动,最后流到第四层的八个子集,各个分类决策单元CDU分别对子集内的样本进行学习和分类,以得到待验证样本认证结果;
所述特征提取单元FEU包括:
特征提取卷积层Conv1;
特征提取最大池化层Maxpooling;
以及特征提取残差块Res1.0/Res1.1;每个特征提取残差块均包含两个子卷积层Conv1和Conv2,还包含特征提取残差块的跳转连接以表示从输入到输出的单位映射;
所述决策路由单元DRU包括:
决策路由卷积层Conv1,用于对输入特征图X进行通道变换;
决策路由拉伸层Flatten,用于将输入特征图X拉伸为二维特征图;
决策路由零均值化层BN,用于对特征图进行零均值化;
以及决策路由线性变换层Linear Transformation,通过变换矩阵P对零均值化后的特征图进行线性变换得到了一维的响应值R(X)=X·P;
根据决策路由线性变换层得到的响应值R(X)的正负将原始输入特征图X划分到下一层左、右节点中;
所述分类决策单元CDU包括:
分类决策卷积层Conv1,用于沿通道对输入特征图N×H×W×C的信息进行整合,输出的特征图尺寸为N×H×W×128;
分类决策平均池化层Avgpool,用于将输入特征图中每个通道对应的H×W特征求全局平均值,输出的特征图尺寸为N×1×1×128;
分类决策拉伸层Flatten,用于将输入特征图拉平为二维特征图,输出的特征图尺寸为N×128;
分类决策全连接层FC,用于对特征图的信息进行整合,输出一个N×(num of classes)的向量作为匹配分数,其中num of class代表任务设置的类别数,设定num of class=1;设定分数阈值;若匹配分数小于分数阈值,则判定样本对为类间样本对,待验证样本认证不通过;否则判定样本对为类内样本对,待验证样本认证通过;
所述深度树网络训练过程中,决策路由单元DRU的损失函数LDRU1为:
其中,r1、r2分别为比例因子,r1=1e-3,r2=1e-5;为决策路由单元DRU的目标方程最小化,Trace(·)为计算矩阵的迹,即矩阵对角线元素之和;在训练过程中约束LDRU1最小化,以实现决策路由单元DRU的目标方程,使vT·XT·X·v最大化;
在当前节点,设定样本特征的响应值矩阵为R(X),划分到左节点的样本特征响应值之和为Rleft,划分到右节点的样本特征的响应值之和为Rright,设定损失函数LDRU2:
其中Nleft为划分到左节点的样本特征数量,Nright为划分到右节点的样本特征数量;通过在训练过程中约束LDRU2最小化,以使约束划分到左右节点的样本特征的响应值均值差异最大化;
采用sigmoid函数处理分类决策单元输出的分数值,将分数值约束在[0,1]区间内,接着采用交叉熵损失作为分类损失函数,在由第一层节点到第四层每个节点的路径对应的子网络中,样本对xi对应的损失函数Lsample为:
Lsample=yiIn(pi)+(1-yi)In(1-pi)
其中,yi为第i个样本对的真实标签(0或者1),pi为深度树网络输出的第i个样本对的匹配分数值,且由sigmiod函数处理过;
当输入为一个小批量数据时,对应的分类损失为该小批量数据中所有样本的分类损失的均值:
总损失函数为:
其中,α、β、η为比例因子。
6.一种存储介质,其特征在于,其中所述存储介质存储有计算机程序,所述计算机程序当被处理器执行时使所述处理器执行权利要求1-4中任一项所述的基于深度树网络的指静脉认证算法。
7.一种计算设备,包括处理器以及用于存储处理器可执行程序的存储器,其特征在于,所述处理器执行存储器存储的程序时,实现权利要求1-4中任一项所述的基于深度树网络的指静脉认证算法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010755078.XA CN111967351B (zh) | 2020-07-31 | 2020-07-31 | 基于深度树网络的指静脉认证算法、装置、介质和设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010755078.XA CN111967351B (zh) | 2020-07-31 | 2020-07-31 | 基于深度树网络的指静脉认证算法、装置、介质和设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111967351A CN111967351A (zh) | 2020-11-20 |
CN111967351B true CN111967351B (zh) | 2023-06-20 |
Family
ID=73363367
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010755078.XA Active CN111967351B (zh) | 2020-07-31 | 2020-07-31 | 基于深度树网络的指静脉认证算法、装置、介质和设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111967351B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101794515A (zh) * | 2010-03-29 | 2010-08-04 | 河海大学 | 基于协方差和二叉树支持向量机的目标检测系统及方法 |
CN101901251A (zh) * | 2010-06-28 | 2010-12-01 | 吉林大学 | 基于马尔科夫过程亚稳性的复杂网络簇结构分析和识别方法 |
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 |
CN107832684A (zh) * | 2017-10-26 | 2018-03-23 | 通华科技(大连)有限公司 | 一种具有自主学习能力的智能静脉认证方法和系统 |
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 |
CN110009637A (zh) * | 2019-04-09 | 2019-07-12 | 北京化工大学 | 一种基于树形结构的遥感图像分割网络 |
-
2020
- 2020-07-31 CN CN202010755078.XA patent/CN111967351B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101794515A (zh) * | 2010-03-29 | 2010-08-04 | 河海大学 | 基于协方差和二叉树支持向量机的目标检测系统及方法 |
CN101901251A (zh) * | 2010-06-28 | 2010-12-01 | 吉林大学 | 基于马尔科夫过程亚稳性的复杂网络簇结构分析和识别方法 |
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 |
CN107832684A (zh) * | 2017-10-26 | 2018-03-23 | 通华科技(大连)有限公司 | 一种具有自主学习能力的智能静脉认证方法和系统 |
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 |
CN110009637A (zh) * | 2019-04-09 | 2019-07-12 | 北京化工大学 | 一种基于树形结构的遥感图像分割网络 |
Non-Patent Citations (1)
Title |
---|
Finger vein verification using a Siamese CNN;Su Tang et al.;《IET Biometrics》;第第8卷卷(第第5期期);第1-2页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111967351A (zh) | 2020-11-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110443143B (zh) | 多分支卷积神经网络融合的遥感图像场景分类方法 | |
CN113378632B (zh) | 一种基于伪标签优化的无监督域适应行人重识别方法 | |
CN111695467B (zh) | 基于超像素样本扩充的空谱全卷积高光谱图像分类方法 | |
CN111583263B (zh) | 一种基于联合动态图卷积的点云分割方法 | |
US9390348B2 (en) | Method for categorizing objects in image | |
CN111582225B (zh) | 一种遥感图像场景分类方法及装置 | |
CN110321830B (zh) | 一种基于神经网络的中文字符串图片ocr识别方法 | |
CN110555399B (zh) | 手指静脉识别方法、装置、计算机设备及可读存储介质 | |
CN103996052B (zh) | 基于三维点云的三维人脸性别分类方法 | |
CN111291826B (zh) | 基于相关性融合网络的多源遥感图像的逐像素分类方法 | |
CN106228185A (zh) | 一种基于神经网络的通用图像分类识别系统及方法 | |
CN109583483A (zh) | 一种基于卷积神经网络的目标检测方法和系统 | |
CN113408605A (zh) | 基于小样本学习的高光谱图像半监督分类方法 | |
KR102645698B1 (ko) | 얼굴의 정렬 형태에 강인한 얼굴 인식 방법 및 그 장치 | |
CN112580480B (zh) | 一种高光谱遥感影像分类方法及装置 | |
CN111738355A (zh) | 注意力融合互信息的图像分类方法、装置及存储介质 | |
CN104881682A (zh) | 一种基于保局映射与主成分分析的图像分类方法 | |
CN113822264A (zh) | 一种文本识别方法、装置、计算机设备和存储介质 | |
CN113011243A (zh) | 基于胶囊网络的面部表情分析方法 | |
CN110837808A (zh) | 一种基于改进的胶囊网络模型的高光谱图像分类方法 | |
CN111310820A (zh) | 基于交叉验证深度cnn特征集成的地基气象云图分类方法 | |
CN115830401B (zh) | 一种小样本图像分类方法 | |
CN111967351B (zh) | 基于深度树网络的指静脉认证算法、装置、介质和设备 | |
CN111242114A (zh) | 文字识别方法及装置 | |
CN113642520B (zh) | 一种带有头部信息的双任务行人检测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |