论文部分内容阅读
针对指静脉提取困难和识别精度不够高等问题,提出了一种基于ResNet改进的手指静脉识别方法。首先,使用深度超参数化卷积(DO-Conv)代替网络中的传统卷积,在减少模型参数的同时提高了网络识别率。然后,将空间注意力模型(SAM)和挤压激励块(SE-Block)融合,应用于改进的残差网络(ResNet)提取图像在通道和空间域上的细节特征。最后,使用标签平滑的交叉熵(LSCE)损失函数来训练模型,实现自动校准网络防止分类出现误差。实验结果表明,改进后的模型不易受到图片质量的影响,在公开数据库FV-USM