《表4 本文模型与其他算法对比结果》

  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

《结合迁移学习的轻量级指纹分类模型》

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

注:“-”表示对应文献未提及该指标。

表4是本文模型相关参数与其他算法的对比结果。首先对比VGG网络模型，本文模型在NIST-DB4-F数据集上的分类准确率优于VGG；在参数量上，本文模型仅是VGG模型的约1/40，即本文模型只用很小的计算量便可以完成大规模网络模型所实现的任务。另外，VGG是合并了模糊的两个类别标签（弓型和弓帐型）后，完成4分类任务；而本文则是原数据分类上的5分类标准，难度较之更大。与CNN网络模型相比，在两个数据集上，本文模型均优于CNN网络模型，虽然在参数上，CNN网络模型有一定优势，但是需要指出的是，该算法直接处理的原始数据集的图像数量导致严重的过拟合，数据集量少，所以计算量才会有较大幅度的降低。因此，该方法并不适用于普遍情况。另外，本文的网络模型参数在使用深度压缩技术压缩后仍能继续减少至目前的一半。与EM（ensemble method）[16]相比，本文模型并不占据准确率优势，因为同样是采用NIST-DB4数据集，EM对标签分类不明确或类型较复杂的指纹图像拒绝识别，所以在保证较高准确率的同时，存在较高的拒绝识别率，即拒识率。该算法看似更加精准，但在实际应用中并不可取，过高的拒识率导致用户体验欠佳，分类效率低。数据集最多仅存在18%难以分类的指纹，但是超过30%的拒识率就属于模型过度敏感，降低接收识别的效率而提高识别准确率相当于丢弃了很大一部分有效数据。本文模型未对原始数据集进行过多操作，遵循原有分类标准，采用零拒绝率的全部接收判别的方法，使得分类标准更加一般化，并未侧重于网络模型参数或判别效率去保障分类效果，所以总体而言，本文模型一定程度上优于当前主流指纹分类算法。