Lda-cnn: red neuronal convolucional de análisis discriminante lineal para reconocimiento periocular en la naturaleza
Autores: Alahmadi, Amani; Hussain, Muhammad; Aboalsamh, Hatim
Idioma: Inglés
Editor: MDPI
Año: 2022
Acceso abierto
Artículo científico
2022
Lda-cnn: red neuronal convolucional de análisis discriminante lineal para reconocimiento periocular en la naturaleza
Categoría
Matemáticas
Subcategoría
Matemáticas generales
Palabras clave
Covid-19
Sistema biométrico sin contacto
Reconocimiento periocular
Red neuronal convolucional
LDA-CNN
Entornos no restringidos
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 22
Citaciones: Sin citaciones
Debido a la pandemia de COVID-19, la necesidad de un sistema biométrico sin contacto capaz de reconocer rostros con mascarillas llamó la atención sobre la región periocular como un rasgo biométrico valioso. Sin embargo, el reconocimiento periocular sigue siendo un desafío para implementaciones en entornos no controlados donde las imágenes se capturan en condiciones no ideales con grandes variaciones en iluminación, oclusión, pose y resolución. Estas variaciones aumentan la variabilidad dentro de la clase y la similitud entre clases, lo que degrada el poder discriminativo de las características extraídas del rasgo periocular. A pesar del notable éxito del entrenamiento de redes neuronales convolucionales (CNN), las CNN requieren un gran volumen de datos, que no están disponibles para el reconocimiento periocular. Además, el enfoque se centra en reducir la pérdida entre la clase real y la clase predicha, pero no en aprender las características discriminativas. Para abordar estos problemas, en este documento utilizamos un modelo CNN pre-entrenado como base e introdujimos un modelo efectivo de reconocimiento periocular de CNN profunda, llamado análisis discriminante lineal CNN (LDA-CNN), donde se incorporó una capa LDA después de la última capa de convolución del modelo base. La capa LDA obligó al modelo a aprender características de modo que la variación dentro de la clase fuera pequeña y la separación entre clases grande. Finalmente, se agregó una nueva capa totalmente conectada (FC) con activación softmax después de la capa LDA, y se ajustó de manera integral. Nuestro modelo propuesto fue evaluado exhaustivamente utilizando los siguientes cuatro conjuntos de datos perioculares no controlados de referencia: UFPR, UBIRIS.v2, VISOB y UBIPr. Los resultados experimentales indicaron que LDA-CNN superó a los métodos de vanguardia para el reconocimiento periocular en entornos no controlados. Para interpretar el rendimiento, visualizamos el poder discriminativo de las características extraídas de diferentes capas del modelo LDA-CNN utilizando la técnica de visualización t-SNE (Incrustación estocástica de vecinos t-distribuidos). Además, realizamos experimentos de condición cruzada (cruz-luz, cruz-sensor, cruz-ojo, cruz-pose y cruz-base de datos) que demostraron la capacidad del modelo propuesto para generalizar bien a diferentes condiciones no controladas.
Descripción
Debido a la pandemia de COVID-19, la necesidad de un sistema biométrico sin contacto capaz de reconocer rostros con mascarillas llamó la atención sobre la región periocular como un rasgo biométrico valioso. Sin embargo, el reconocimiento periocular sigue siendo un desafío para implementaciones en entornos no controlados donde las imágenes se capturan en condiciones no ideales con grandes variaciones en iluminación, oclusión, pose y resolución. Estas variaciones aumentan la variabilidad dentro de la clase y la similitud entre clases, lo que degrada el poder discriminativo de las características extraídas del rasgo periocular. A pesar del notable éxito del entrenamiento de redes neuronales convolucionales (CNN), las CNN requieren un gran volumen de datos, que no están disponibles para el reconocimiento periocular. Además, el enfoque se centra en reducir la pérdida entre la clase real y la clase predicha, pero no en aprender las características discriminativas. Para abordar estos problemas, en este documento utilizamos un modelo CNN pre-entrenado como base e introdujimos un modelo efectivo de reconocimiento periocular de CNN profunda, llamado análisis discriminante lineal CNN (LDA-CNN), donde se incorporó una capa LDA después de la última capa de convolución del modelo base. La capa LDA obligó al modelo a aprender características de modo que la variación dentro de la clase fuera pequeña y la separación entre clases grande. Finalmente, se agregó una nueva capa totalmente conectada (FC) con activación softmax después de la capa LDA, y se ajustó de manera integral. Nuestro modelo propuesto fue evaluado exhaustivamente utilizando los siguientes cuatro conjuntos de datos perioculares no controlados de referencia: UFPR, UBIRIS.v2, VISOB y UBIPr. Los resultados experimentales indicaron que LDA-CNN superó a los métodos de vanguardia para el reconocimiento periocular en entornos no controlados. Para interpretar el rendimiento, visualizamos el poder discriminativo de las características extraídas de diferentes capas del modelo LDA-CNN utilizando la técnica de visualización t-SNE (Incrustación estocástica de vecinos t-distribuidos). Además, realizamos experimentos de condición cruzada (cruz-luz, cruz-sensor, cruz-ojo, cruz-pose y cruz-base de datos) que demostraron la capacidad del modelo propuesto para generalizar bien a diferentes condiciones no controladas.