| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第一章 绪论 | 第11-20页 |
| 1.1 研究背景 | 第11-12页 |
| 1.2 研究目的与意义 | 第12-14页 |
| 1.3 研究现状 | 第14-18页 |
| 1.3.1 手指静脉的成像 | 第15页 |
| 1.3.2 指静脉的图像预处理 | 第15-16页 |
| 1.3.3 指静脉的特征提取和匹配 | 第16-17页 |
| 1.3.4 课题研究的难点 | 第17-18页 |
| 1.4 本文的创新 | 第18页 |
| 1.5 论文的组织 | 第18-20页 |
| 第二章 指静脉图像采集及预处理 | 第20-26页 |
| 2.1 指静脉图像的采集 | 第20页 |
| 2.2 指静脉图像的ROI截取 | 第20-22页 |
| 2.3 指静脉图像归一化 | 第22-24页 |
| 2.4 本章小结 | 第24-26页 |
| 第三章 常规卷积神经网络的指静脉特征提取 | 第26-35页 |
| 3.1 数据集的扩充 | 第26-27页 |
| 3.2 卷积神经网络的结构设计 | 第27-30页 |
| 3.3 损失函数的设计 | 第30-34页 |
| 3.3.1 SoftmaxLoss | 第30-32页 |
| 3.3.2 CenterLoss | 第32-33页 |
| 3.3.3 L-SoftmaxLoss | 第33-34页 |
| 3.4 本章小结 | 第34-35页 |
| 第四章 特征匹配 | 第35-39页 |
| 4.1 匹配策略的选择 | 第35-37页 |
| 4.1.1 图像不对齐问题引起的部分匹配 | 第35页 |
| 4.1.2 结合特征空间信息的匹配 | 第35-37页 |
| 4.2 特征向量的相似度度量 | 第37-38页 |
| 4.2.1 基于余弦距离的特征度量 | 第37-38页 |
| 4.2.2 基于欧式距离的特征度量 | 第38页 |
| 4.3 本章小结 | 第38-39页 |
| 第五章 轻量型网络设计 | 第39-48页 |
| 5.1 可分离卷积结构 | 第39-42页 |
| 5.2 基于知识蒸馏算法的模型训练技术 | 第42-44页 |
| 5.2.1 基于SoftenedTargets的知识蒸馏技术 | 第42-43页 |
| 5.2.2 基于Hints的知识蒸馏技术 | 第43-44页 |
| 5.3 轻量型网络的构建与训练 | 第44-47页 |
| 5.3.1 轻量型网络的构建 | 第44-46页 |
| 5.3.2 轻量型网络的训练 | 第46-47页 |
| 5.4 本章小结 | 第47-48页 |
| 第六章 实验结果分析 | 第48-61页 |
| 6.1 实验设置与数据库介绍 | 第48-49页 |
| 6.1.1 实验设置 | 第48页 |
| 6.1.2 数据库介绍 | 第48-49页 |
| 6.2 常规卷积网络模型实验分析 | 第49-52页 |
| 6.2.1 采用预训练模型的有效性评估 | 第49-51页 |
| 6.2.2 损失函数有效性分析 | 第51-52页 |
| 6.3 结合特征空间信息的匹配策略实验分析 | 第52-57页 |
| 6.3.1 匹配策略选择实验 | 第52-54页 |
| 6.3.2 结合特征空间信息的匹配策略的有效性评估 | 第54-56页 |
| 6.3.3 与现有方法对比实验 | 第56-57页 |
| 6.4 轻量型网络模型实验分析 | 第57-60页 |
| 6.4.1 知识蒸馏训练算法有效性评估 | 第58-59页 |
| 6.4.2 与常规网络模型对比实验 | 第59-60页 |
| 6.5 本章小结 | 第60-61页 |
| 总结与展望 | 第61-63页 |
| 参考文献 | 第63-69页 |
| 攻读硕士学位期间取得的研究成果 | 第69-70页 |
| 致谢 | 第70-71页 |
| 附件 | 第71页 |