生物模板保护背景下的迁移学习 |
| |
引用本文: | 李浩,孙水发.生物模板保护背景下的迁移学习[J].现代电子技术,2023(9):78-82. |
| |
作者姓名: | 李浩 孙水发 |
| |
作者单位: | 三峡大学电气与新能源学院 |
| |
摘 要: | 基于深度卷积神经网络(CNN)的方法是生物模板保护中较流行的技术。生物特征信息作为人的唯一属性,具有最高安全保护性。目前,大量研究工作正致力于通过更强大的模型架构和更好的学习技术来进一步改进匹配精度。然而,在探索现有深度人脸识别模型的特征提取能力的研究仍然相对较少。文中分析了经典的三种深度学习网络在不同人脸数据集的特征提取能力,具体来说,对比了VGG16、ResNet50、GoogleNet在同一种模板保护下的性能。仿真结果表明:在图像退化的人脸验证VGG16性能优于其他模型;在图像质量高的情况下,ResNet50最优;GoogleNet在面对复杂学习任务性能更强。匹配精度表明迁移学习优于绝大多数特征提取方法。
|
关 键 词: | 迁移学习 模板保护 生物特征信息 特征提取 人脸识别 匹配精度 |
|
|