“迁移学习+轻量级”解决指纹分类难题
相信很多图粉都听过这样的谚语，“一斗穷二斗富，三斗四斗卖豆腐…”，这里的“斗”是指纹中的一种类型。
但古代的指纹分类依靠的是最初级的“目视解译”，到了今天，我们使用计算机来完成这项工作，并将其应用到指纹考勤、安防、移动终端和刑侦破案等场景。
（图片来源网络）
五邑大学甘俊英团队发表于《中国图象图形学报》2019年第7期的“结合迁移学习的轻量级指纹分类模型”，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。
论文信息
论文标题：结合迁移学习的轻量级指纹分类模型
论文作者：甘俊英，戚玲，秦传波，何国辉
引用格式：甘俊英, 戚玲, 秦传波, 何国辉. 结合迁移学习的轻量级指纹分类模型[J]. 中国图象图形学报, 2019, 24(7): 1086-1095.
全文链接：http://www.cjig.cn/html/jig/2019/7/20190708.htm
为何使用迁移学习
目前的指纹分类模型存在操作繁琐、参数较多、所需数据规模大、无法充分利用指纹特征信息等问题，而进行快速准确的指纹分类在大型指纹识别系统中至关重要。
Pan等人的论文中(图1-2)指出传统机器学习方法（包括监督学习、无监督学习和半监督学习）多假设已标注数据与未标注数据的分布是相同的。
与之相反，迁移学习允许源空间、任务空间在测试集和训练集中的分布是不同的，而且只专注于目标任务的训练。迁移学习能减少目标数据集的训练时间，并且对目标数据集的规模要求不高，在训练目标数据集时，研究者只需训练部分网络层。
图1 传统机器学习与迁移学习的不同学习过程
图2 迁移学习模型概述
Pan S J, Yang Q. A survey on transfer learning[J]. IEEE Transactions on Knowledge and Data Engineering, 2010, 22(10): 1345-1359. [DOI: 10.1109/TKDE.2009.191]
本文创新：“迁移学习+轻量级”
目前，指纹图像识别技术在整体模型的简易化、轻量化、移动终端化等方面仍有待完善。
甘俊英老师的这篇论文提出一种基于迁移学习的轻量级指纹分类模型。模型结构主要分为预训练与参数调整两个部分（图3）。
图3 本文模型整体框图
模型预训练部分即参数学习，首先对指纹方向场图（图4）进行数据处理，然后将其作为Finger-SqueezeNet网络模型（图5）预训练的数据集；
图4 指纹方向场图
参数调整部分先对目标指纹数据集进行增强，将其输入到预训练好的网络进行分类训练，得到最终分类结果。
模型的有效性验证
指纹分类的结果为弓型、左箕、右箕、弓帐和斗型5种，分类采用的是全接收的判别，零拒绝识别指纹。
表1是文章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。
表1 本文模型与其他算法的对比结果
论文的研究结论
论文将迁移学习的思想与轻量级神经网络有效融合，在利用指纹特征信息的同时，也一定程度地提高了轻量级神经网络的学习泛化能力，证明了轻量型的神经网络可以有效地支持类内物体之间的迁移识别。
采用轻量级神经网络进行分类，最后经过深度压缩的模型能使得指纹分类模型有望应用于移动端或者嵌入式平台。
作者简介
甘俊英
五邑大学科技处／社科处处长，教授，博士生导师，主要研究方向为信号处理，生物特征识别，深度自学习，智能信息处理。E-mail：junyinggan@163.com戚玲
通信作者，硕士研究生，主要研究方向为生物特征识别、指纹识别应用。E-mail：m13528364381@163.com
秦传波
讲师，主要研究方向为生物特征、医学影像处理。E-mail：tenround@163.com
何国辉
教授，硕士研究生导师，主要研究方向为图像处理、虚拟现实和多媒体信息系统。E-mail: ghhe126@126.com
编辑推荐
本文系《中国图象图形学报》独家稿件
本文内容仅供学习交流
版权属于原作者
编辑：秀秀
指导/审核：梧桐君
声 明
前沿丨观点丨资讯丨独家
扫描下方二维码 关注学报公众号
中国图象图形学报 | 订阅号