“迁移学习+轻量级”解决指纹分类难题

2019 年 9 月 16 日 中国图象图形学报

相信很多图粉都听过这样的谚语,“一斗穷二斗富,三斗四斗卖豆腐…”,这里的“斗”是指纹中的一种类型。



但古代的指纹分类依靠的是最初级的“目视解译”,到了今天,我们使用计算机来完成这项工作,并将其应用到指纹考勤、安防、移动终端和刑侦破案等场景。


(图片来源网络)


五邑大学甘俊英团队发表于《中国图象图形学报》2019年第7期的“结合迁移学习的轻量级指纹分类模型”,用很小的计算量便可以完成大规模网络模型所实现的任务。


论文信息


论文标题:结合迁移学习的轻量级指纹分类模型

论文作者:甘俊英,戚玲,秦传波,何国辉

引用格式:甘俊英, 戚玲, 秦传波, 何国辉. 结合迁移学习的轻量级指纹分类模型[J]. 中国图象图形学报, 2019, 24(7): 1086-1095.

全文链接http://www.cjig.cn/html/jig/2019/7/20190708.htm


为何使用迁移学习


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。


Pan等人的论文中(图1-2)指出传统机器学习方法(包括监督学习、无监督学习和半监督学习)多假设已标注数据与未标注数据的分布是相同的。


与之相反,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,而且只专注于目标任务的训练。迁移学习能减少目标数据集的训练时间,并且对目标数据集的规模要求不高,在训练目标数据集时,研究者只需训练部分网络层。


图1 传统机器学习与迁移学习的不同学习过程


图2 迁移学习模型概述


Pan S J, Yang Q. A survey on transfer learning[J]. IEEE Transactions on Knowledge and Data Engineering, 2010, 22(10): 1345-1359. [DOI: 10.1109/TKDE.2009.191]


本文创新:“迁移学习+轻量级”


目前,指纹图像识别技术在整体模型的简易化、轻量化、移动终端化等方面仍有待完善。


甘俊英老师的这篇论文提出一种基于迁移学习的轻量级指纹分类模型。模型结构主要分为预训练与参数调整两个部分(图3)。


图3 本文模型整体框图


模型预训练部分即参数学习,首先对指纹方向场图(图4)进行数据处理,然后将其作为Finger-SqueezeNet网络模型(图5)预训练的数据集;

图4 指纹方向场图


参数调整部分先对目标指纹数据集进行增强,将其输入到预训练好的网络进行分类训练,得到最终分类结果。


模型的有效性验证


指纹分类的结果为弓型、左箕、右箕、弓帐和斗型5种,分类采用的是全接收的判别,零拒绝识别指纹。


表1是文章模型相关参数与其他算法的对比结果。首先对比VGG网络模型,本文模型在NIST-DB4-F数据集上的分类准确率优于VGG;在参数量上,本文模型仅是VGG模型的约1/40,即本文模型只用很小的计算量便可以完成大规模网络模型所实现的任务。


表1 本文模型与其他算法的对比结果

总体而言,论文模型在一定程度上优于当前主流的指纹分类算法。

论文的研究结论


论文将迁移学习的思想与轻量级神经网络有效融合,在利用指纹特征信息的同时,也一定程度地提高了轻量级神经网络的学习泛化能力,证明了轻量型的神经网络可以有效地支持类内物体之间的迁移识别。


采用轻量级神经网络进行分类,最后经过深度压缩的模型能使得指纹分类模型有望应用于移动端或者嵌入式平台。


作者简介


甘俊英

五邑大学科技处/社科处处长,教授,博士生导师,主要研究方向为信号处理,生物特征识别,深度自学习,智能信息处理 E-mail:junyinggan@163.com


戚玲

通信作者,硕士研究生,主要研究方向为生物特征识别、指纹识别应用。E-mail:m13528364381@163.com


秦传波

讲师,主要研究方向为生物特征、医学影像处理。E-mail:tenround@163.com




何国辉

教授,硕士研究生导师,主要研究方向为图像处理、虚拟现实和多媒体信息系统。E-mail: ghhe126@126.com




编辑推荐




本文系《中国图象图形学报》独家稿件

本文内容仅供学习交流

版权属于原作者


编辑:秀秀

指导/审核:梧桐君


声  明


欢迎转发本号原创内容,任何形式的媒体或机构未经授权,不得转载和摘编。 授权请在后台留言“机构名称+文章标题+转载/转发”联系本号。转载需标注原作者和信息来源为《中国图象图形学报》。本号转载信息旨在传播交流,内容为作者观点,不代表本号立场。未经允许,请勿二次转载。如涉及文字、图片等内容、版权和其他问题,请于文章发出20日内联系本号,我们将第一时间处理。《中国图象图形学报》拥有最终解释权。


前沿丨观点丨资讯丨独家

扫描下方二维码 关注学报公众号

中国图象图形学报 | 订阅号


在看点这里
登录查看更多
0

相关内容

迁移学习(Transfer Learning)是一种机器学习方法,是把一个领域(即源领域)的知识,迁移到另外一个领域(即目标领域),使得目标领域能够取得更好的学习效果。迁移学习(TL)是机器学习(ML)中的一个研究问题,着重于存储在解决一个问题时获得的知识并将其应用于另一个但相关的问题。例如,在学习识别汽车时获得的知识可以在尝试识别卡车时应用。尽管这两个领域之间的正式联系是有限的,但这一领域的研究与心理学文献关于学习转移的悠久历史有关。从实践的角度来看,为学习新任务而重用或转移先前学习的任务中的信息可能会显着提高强化学习代理的样本效率。

知识荟萃

精品入门和进阶教程、论文和代码整理等

更多

查看相关VIP内容、论文、资讯等
专知会员服务
97+阅读 · 2020年7月20日
最新《多任务学习》综述,39页pdf
专知会员服务
258+阅读 · 2020年7月10日
【自动化学报】零样本学习研究进展,中国石油大学
专知会员服务
87+阅读 · 2020年1月27日
《迁移学习简明手册》,93页pdf
专知会员服务
130+阅读 · 2019年12月9日
零样本图像分类综述 : 十年进展
专知会员服务
121+阅读 · 2019年11月16日
赛尔笔记 | 自然语言处理中的迁移学习(上)
哈工大SCIR
16+阅读 · 2019年10月17日
NLP领域中的迁移学习现状
AI科技评论
7+阅读 · 2019年9月1日
一文了解迁移学习经典算法
AI100
11+阅读 · 2018年8月4日
【迁移学习】迁移学习在图像分类中的简单应用策略
迁移学习在深度学习中的应用
专知
23+阅读 · 2017年12月24日
行人再识别中的迁移学习
计算机视觉战队
11+阅读 · 2017年12月20日
Transfer Adaptation Learning: A Decade Survey
Arxiv
37+阅读 · 2019年3月12日
Arxiv
26+阅读 · 2019年3月5日
Arxiv
5+阅读 · 2018年1月18日
VIP会员
相关资讯
赛尔笔记 | 自然语言处理中的迁移学习(上)
哈工大SCIR
16+阅读 · 2019年10月17日
NLP领域中的迁移学习现状
AI科技评论
7+阅读 · 2019年9月1日
一文了解迁移学习经典算法
AI100
11+阅读 · 2018年8月4日
【迁移学习】迁移学习在图像分类中的简单应用策略
迁移学习在深度学习中的应用
专知
23+阅读 · 2017年12月24日
行人再识别中的迁移学习
计算机视觉战队
11+阅读 · 2017年12月20日
Top
微信扫码咨询专知VIP会员