模型总体框架图
目前，基于深度卷积神经网络的静脉识别算法主要从特定任务迁移策略和网络结构设计两个方向开展研究。虽然现有研究工作已在这两个方向上都取得较好的结果，但是在设计的模型中有的需要复杂的训练过程，有的需要特定任务的网络结构，进而导致模型的耗时高、泛化能力不足。
近日，我校信控学院智能感知与无人系统教学科研团队2018级博士研究生潘在宇在生物特征识别领域取得进展，以第一作者在国际期刊“IEEE Transactions on Information Forensics and Security”(IF：6.013)上发表题为“Multi-Scale Deep Representation Aggregation for Vein Recognition”的学术论文。
该论文首次提出了基于预训练深度卷积神经网络的静脉识别模型。一方面，提出的模型不需要样本训练，进而解决了在深度卷积神经网络的训练过程中因样本不足而导致的过拟合问题；另一方面，提出的模型采用训练在大规模图像数据库上的深度神经网络模型作为特征提取器，有效提高了静脉识别模型的泛化能力。此外，该论文深入分析了基于静脉信息的卷积层特征图响应特性，揭示了基于静脉信息的深度卷积神经网络高阶语义信息学习机制，构建了一种层级的深度特征选择模型，有效地去除了深度特征中含有的非静脉信息和噪音信息，进一步改善了所设计模型的深度特征表示能力，提高了静脉识别的准确率。提出的多尺度深度特征集成模型也可以应用于指纹识别、掌纹识别以及自然图像识别任务。
