基于深度学习的指静脉识别算法研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-17页 |
| 1.1 研究背景 | 第10页 |
| 1.2 研究目的及意义 | 第10-11页 |
| 1.3 研究现状及难点 | 第11-14页 |
| 1.4 本文创新 | 第14页 |
| 1.5 本文组织 | 第14-17页 |
| 第二章 指静脉图像的获取及预处理 | 第17-28页 |
| 2.1 指静脉图像的获取 | 第17-18页 |
| 2.2 本文使用的指静脉数据集 | 第18-20页 |
| 2.3 指静脉图像ROI提取 | 第20-23页 |
| 2.4 指静脉图像的数据扩增 | 第23-27页 |
| 2.5 本章小结 | 第27-28页 |
| 第三章 基于预训练模型的特征提取网络 | 第28-45页 |
| 3.1 网络架构设计思路 | 第28-30页 |
| 3.2 基础网络架构 | 第30-33页 |
| 3.3 延伸网络架构 | 第33-34页 |
| 3.4 网络优化 | 第34-44页 |
| 3.4.1 修正对比损失函数 | 第34-41页 |
| 3.4.2 难分样本挖掘 | 第41-42页 |
| 3.4.3 多阶段网络优化策略 | 第42-44页 |
| 3.5 本章小结 | 第44-45页 |
| 第四章 轻量特征提取网络 | 第45-53页 |
| 4.1 轻量网络架构设计 | 第45-47页 |
| 4.2 网络优化 | 第47-52页 |
| 4.2.1 知识蒸馏 | 第47-50页 |
| 4.2.2 基于知识蒸馏的优化策略 | 第50-52页 |
| 4.3 权值量化 | 第52页 |
| 4.4 本章小结 | 第52-53页 |
| 第五章 实验结果与分析 | 第53-69页 |
| 5.1 实验数据准备 | 第53-54页 |
| 5.2 性能指标 | 第54页 |
| 5.3 基于常规CNN模型的实验 | 第54-63页 |
| 5.3.1 不同基础网络对比 | 第54-57页 |
| 5.3.2 MCLoss与其他损失函数对比 | 第57-59页 |
| 5.3.3 训练数据集对网络泛化性能的影响 | 第59-61页 |
| 5.3.4 合并训练数据集时的性能提升 | 第61页 |
| 5.3.5 与现有方法的性能对比 | 第61-63页 |
| 5.4 基于轻量CNN模型的实验 | 第63-67页 |
| 5.4.1 训练方式对性能的影响 | 第63-65页 |
| 5.4.2 合并训练数据集时的性能提升 | 第65页 |
| 5.4.3 轻量模型与常规CNN模型的对比 | 第65-66页 |
| 5.4.4 轻量模型权值量化实验 | 第66-67页 |
| 5.5 本章小结 | 第67-69页 |
| 总结与展望 | 第69-71页 |
| 参考文献 | 第71-78页 |
| 攻读硕士学位期间取得的研究成果 | 第78-79页 |
| 致谢 | 第79-80页 |
| 附件 | 第80页 |
