《表6 CF-CNN与其他算法的质量分类正确率对比》
按照问题的定义不同,现有的手指静脉质量评估方法又分为分类和回归两类:即基于质量分类的方法和基于质量得分的方法。基于分类的手指静脉图像质量评估方法通常按照图像质量把手指静脉图像分为几种类型,而基于质量得分的手指静脉图像质量评估方法,会给每一幅图像一个质量得分。本文研究的是质量分类问题,但是本文提出的所有网络模型都可以用于手指静脉质量得分的预测,只需要设置网络的输出层为一个神经元,损失函数选择用于回归问题的相关函数。本文研究的质量分类问题是将其分为高、低质量两类,因此选择和问题定义相同的文献[8-9,13-14]进行比较。文献[8]和文献[9]采用的是手工设计的特征,文献[13]基于二值静脉形式的深度学习特征,文献[14]基于灰度静脉形式的深度学习特征,而本文提出的CF-CNN模型则是融合了二值静脉形式和灰度静脉形式的深度学习特征。本文提出的所有网络模型的性能如图15所示,从图15可以看到,CF-CNN的综合性能最好,将其与基于不同质量特征的算法进行比较,结果如表6所示。
图表编号 | XD0082897700 严禁用于非法目的 |
---|---|
绘制时间 | 2019.06.16 |
作者 | 曾军英、谌瑶、秦传波、甘俊英、翟懿奎、冯武林 |
绘制单位 | 五邑大学信息工程学院、五邑大学信息工程学院、五邑大学信息工程学院、五邑大学信息工程学院、五邑大学信息工程学院、五邑大学信息工程学院 |
更多格式 | 高清、无水印(增值服务) |