《表1 拟合结果：基于深度可分离卷积的指静脉识别算法》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于深度可分离卷积的指静脉识别算法》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

本文使用的指静脉识别模型参考了基于深度可分离卷积的Mobile Net，并对每一层卷积的通道数量和最后输出的归一化层维度进行了调整。一般来说，通道数量决定了该层卷积的特征提取能力，嵌入层维度决定了输出特征的可分性，但并不意味着模型的参数越多越好，而需要根据具体任务和输入图像而定。本文用于训练模型和测试精度的图像数据为300×100的三通道灰度图，考虑到实际应用的精度要求和实时性，一共设计了3种不同参数量的模型，将其命名为Mobile1、Mobile2和Mobile3，以探索不同卷积层通道数和输出层维度对于模型的特征提取能力以及处理时间的影响。整个模型共有16层，首先是输入图像即经过预处理提取的ROI，然后依次是1层3×3卷积层（Convolution，Conv）、13层深度可分离卷积层（Depth Wise Convolution，DWConv）、1层全局平均池化层（Global Average Pooling，GA Pool）、1层全连接层（Full Connected，FC）以及1层L2归一化层（L2Normalization，L2Norm）。本文设计的模型使用了大量深度可分离卷积结构取代普通卷积，用以减少参数量。每一层卷积后面均使用了Batch Norm[13]的方法来加速模型收敛，并提高模型的泛化能力，模型的具体参数如表1所示。