2021

引言

指静脉识别有两种测试模式，一种是识别训练类别的新样本，称为闭集测试（即测试样本属于已知类）。另一种是在未训练类别注册后识别新样本，称为开放集测试（注册是啥意思，还得重新训练学习新类吗？）。开集测试更符合实际应用的要求，对闭集测试的类别进行了训练，因此识别更容易。相比之下，开集测试则比较困难。

【1】基于匹配的深度学习
基于多分类器的大多只集中于闭集测试。例如，使用卷积网络或自动编码器网络从手指静脉图像中提取特征，然后将其发送到FC的分类器[2-4]或SVM分类器[5]中。在进入分类器[6]之前，使用浅层网络进一步学习特征。在添加新的类别后需要再次进行训练，所以不能很好地适合开集测试
于是[7]又回到匹配上以适应开放集测试。

方法

ROI 【8】
使用对比限自适应直方图增强(CLAHE)和文献[9]中提出的增强过程，尽可能改善血管与背景的对比度
训练首先进行反亮度数据增强，使训练类别中的样本数量是以前的两倍（类内增强）。在6°内随机角度旋转和随机上下左右平移进行数据增强（还是类内增强？）（从下图来看肉眼也能判断都是同一类的，只是反亮度的话数值不是变化蛮大吗，还行？）


网络提取512维特征向量，通过FC和ArcFace后映射到角空间上的指示向量，指示向量的维数为类别数（那还是交叉熵呗？），接下来使用这个指标向量来计算ArcLoss[11]。ArcLoss被认为是度量学习中的最优损失函数（还搁这度量呢？虽然最终嵌入的每一位对应每个类别，然后内积余弦确实很有道理，但这不是匹配啊，还是多分类啊？）具有良好的类内聚合和类间分离的能力

在测试阶段，我们首先执行一个注册过程来构建一个特征数据库。
至于识别，获得的特征向量与特征数据库中每个类别的特征向量比较，通过计算余弦距离，这样可以得到一个相似向量（那不是余弦距离吧，那成汉明码了？），然后相似向量的每个值与阈值比照来确定输入图像的类别。如果最大相似度大于阈值，则判定输入的类别为最大相似度对应的类别，如果最大相似度小于阈值，则判定输入类别未注册（那有多种新类的话，还是不能区分新类吧）。
本文采用两种方法来确定最佳阈值，一种是选择等错误率对应的阈值（就是ROC那个吧），从而保证了最大的验证精度。二是将相似度向量通过Softmax，增大类内和类间匹配相似度之间的差距（三元损失？），然后取阈值为0.5。

结论

消融实验表明，ArcLoss、图像增强和亮度反转数据扩展对手指静脉特征向量化任务是有效的。此外，如果训练集包含每个类别具有不同中心旋转的样本，则可以解决中心旋转问题（姿态差异其实也算类内多样性啊）。在混合开集检验和闭集检验中，证明了特征向量化的可行性