利用U-Net上下文融合模塊實現(xiàn)高效的手掌線分割

點擊上方“AI算法與圖像處理”，選擇加"星標"或“置頂”

重磅干貨，第一時間送達

世界上許多文化都相信看手相可以用來預(yù)測一個人未來的生活。手相學(xué)使用的是手的特征，比如手掌的紋路，手的形狀，或者指尖的位置。然而，目前對掌紋檢測的研究還比較少，很多人采用了傳統(tǒng)的圖像處理技術(shù)。在大多數(shù)真實場景中，圖像通常不是很好，導(dǎo)致這些方法的性能嚴重不足。本文提出了一種從人的手掌圖像中提取主要掌紋的算法。作者的方法應(yīng)用深度學(xué)習(xí)網(wǎng)絡(luò)(DNNs)來提高性能。這個問題的另一個挑戰(zhàn)是缺乏訓(xùn)練數(shù)據(jù)。為了處理這個問題，作者從頭手工制作了一個數(shù)據(jù)集。從這個數(shù)據(jù)集，作者比較了現(xiàn)成的方法和作者的方法的性能。此外，基于UNet分割神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和注意機制知識，作者提出了一種高效的手掌紋檢測結(jié)構(gòu)。作者提出了上下文融合模塊來捕捉最重要的上下文特征，目的是提高分割精度。實驗結(jié)果表明，該方法的F1得分最高，約為99.42%，在同一數(shù)據(jù)集上mIoU為0.584，優(yōu)于其他方法。

綜上所述，作者的主要貢獻總結(jié)如下:

• 提出利用DNN來解決掌紋檢測問題。作者使用深度學(xué)習(xí)和圖像處理技術(shù)，而不是像之前的其他論文中那樣純粹的傳統(tǒng)圖像處理。

• 為這個問題提供高質(zhì)量的數(shù)據(jù)集。該數(shù)據(jù)集由該領(lǐng)域的專業(yè)人士仔細注釋。

• 提出了作者的模型與上下文融合模塊，即使在復(fù)雜的掌紋圖像也能實現(xiàn)較高的精度。通過這種方法，作者在mIoU評分方面取得了不錯的成績。

作者的圖像分割系統(tǒng)的架構(gòu)

融合局部和全局上下文特征的上下文融合模塊

U-Net帶有上下文融合模塊

一些模型的輸出圖像應(yīng)用于此問題。作者的網(wǎng)絡(luò)(Unet-CFM)在復(fù)雜的掌紋輸入中取得了較好的效果。

結(jié)論

在本文中，作者應(yīng)用深度學(xué)習(xí)技術(shù)建立神經(jīng)網(wǎng)絡(luò)來解決掌紋分割問題。在作者的數(shù)據(jù)集上，作者模型的最終mIoU為0.584,F1得分為99.42%。該數(shù)據(jù)集是人工收集的，將為科學(xué)目的公開發(fā)布。實驗結(jié)果表明，該方法在掌紋圖像分割任務(wù)中比傳統(tǒng)的圖像處理具有巨大的優(yōu)勢。本研究的未來工作將是研究一種更穩(wěn)健的方法來處理復(fù)雜背景圖像的變化;此外，還可以使用CFM的其他功能進行進一步的調(diào)查。