排序方式: 共有12条查询结果,搜索用时 15 毫秒
1.
目的 目前的指纹分类模型存在操作繁琐、参数较多、所需数据规模大、无法充分利用指纹特征信息等问题,而进行快速准确的指纹分类在大型指纹识别系统中至关重要。方法 传统的机器学习方法大多假设已标注数据与未标注数据的分布是相同的,而迁移学习允许源空间、任务空间在测试集和训练集中的分布是不同的,并且迁移学习仅专注目标任务的训练,使得网络模型根据需求更具个性化。因此,本文提出一种基于迁移学习的轻量级指纹分类模型。该模型结合迁移学习,首先采用梯度估计的方法求取指纹图像的方向场图并且做增强处理;然后将扩展的指纹方向场图数据集用于本文提出的轻量级Finger-SqueezeNet的预训练,使其达到一定的分类效果,从而初步实现网络模型参数的调整;最后保留预训练模型部分的网络参数不变,使用指纹图像数据集NIST-DB4对Finger-SqueezeNet网络进行参数微调(fine tuning)。结果 在使用相同的指纹数据集在本文提出的纯网络模型进行分类训练后发现,未采用迁移学习方法对网络模型进行预训练得到的平均分类结果为93%,而通过预训练后的网络模型可以达到98.45%,最终采用单枚指纹测试的方法得到的测试结果达到95.73%。对比同种类型的方法以及验证标准后可知,本文的指纹分类模型在大幅度减少网络参数的同时仍能达到较高的准确率。结论 采用指纹类内迁移学习方法和轻量级神经网络相结合进行分类,适当利用了指纹特征信息,而且有望使指纹分类模型拓展到移动端。 相似文献
2.
3.
4.
5.
6.
7.
8.
9.
快速准确的指纹分类在大型指纹识别系统中是加速目标指纹查找的关键技术。目前,指纹分类算法存在复杂度高、操作繁琐、参数较多、所需数据规模大、且无法充分利用指纹特征信息等问题。神经网络深层提取的特征更加关键,也更有代表性,但忽略了部分浅层信息。针对指纹分类存在的问题,本文提出一种轻量化多特征融合的指纹分类算法。该算法设计了轻量化Finger-SqueezeNet来训练指纹图像,采用查表法求得指纹的细化图之后,利用改进的分布求和梯度法求取相应细化图的感兴趣区域(Region Of Interest,ROI)图像;将指纹ROI图像输入网络深层与提取的特征图进行特征融合,使得深层网络也能获得浅层中纹线准确的走向信息,从而增强网络对于纹型的敏感度;采用Maxout激活函数对网络提取的特征进行激活。实验结果表明,本文算法不仅减少了训练参数量,而且通过指纹ROI图像补偿深层特征图,更加充分利用了指纹的纹型信息,轻量化算法也可为指纹分类模型拓展到移动端提供理论支撑。 相似文献
10.