基于深度残差网络的轻量级指静脉识别算法

提出一种基于深度残差网络的轻量级指静脉识别算法。首先，以ResNet34为基础，使用深度可分离卷积代替传统卷积，加入SE(Squeeze and Excitation)注意力机制模块来提取手指静脉空间域上的细节特征，并引入宽度缩放因子，进一步压缩网络；其次，在训练中引入教师-学生网络模式，对轻量级深度残差网络进行知识蒸馏训练，并使用知识蒸馏损失、CurricularFace和交叉熵损失对网络进行联合监督，解决了轻量级深度残差网络因学习参数量较少引起的性能下降问题。分别在FV-USM数据集、Lab-Normal数据集和Lab-Special数据集上进行仿真实验，结果表明，同基于轻量级网络MobileFaceNet的识别算法相比，提出的算法有效提高了零误识识别率和Top1排序性能。