[论文解读] Gender recognition and biometric identification using a large dataset of hand images.
本文提出一个大规模手部图像数据集，包含190名受试者在一致光照条件下采集的11,076张背侧和掌侧手部图像，用于性别识别与生物特征识别。提出一种双流卷积神经网络（CNN）进行性别分类，提取的特征用于训练支持向量机（SVM）以实现人员识别，代码与数据已公开。
The human hand possesses distinctive features which can reveal gender information. In addition, the hand is considered one of the primary biometric traits used to identify a person. In this work, we propose a large dataset of human hand images with detailed ground-truth information for gender recognition and biometric identification. The proposed dataset comprises of 11,076 hand images (dorsal and palmar sides), from 190 subjects of different ages under the same lighting conditions. Using this dataset, a convolutional neural network (CNN) can be trained effectively for the gender recognition task. Based on this, we design a two-stream CNN to tackle the gender recognition problem. This trained model is then used as a feature extractor to feed a set of support vector machine classifiers for the biometric identification task. To facilitate access to the proposed dataset and replication of our experiments, the dataset, trained CNN models, and Matlab source code are available at (this https URL).
研究动机与目标
- 解决缺乏大规模、高质量手部图像数据集且带有详细真实标签用于性别与身份识别的问题。
- 利用手部图像上的深度学习技术，开发一种鲁棒的性别识别系统。
- 利用性别识别学习到的特征，用于下游生物特征识别任务。
- 提供公开可访问的数据集与训练好的模型，以支持可复现性与进一步研究。
提出的方法
- 在受控光照条件下，从190名受试者中采集11,076张手部图像（背侧与掌侧），覆盖不同年龄群体。
- 设计一种双流卷积神经网络（CNN），从手部的两侧提取具有判别性的特征，用于性别识别。
- 在数据集上训练双流CNN，以实现高精度的性别分类。
- 将训练好的CNN作为特征提取器，生成用于生物特征识别的嵌入向量。
- 在CNN生成的特征基础上，应用支持向量机（SVM）进行人员识别。
- 公开发布数据集、训练好的模型及MATLAB源代码，以支持复现与进一步研究。
实验结果
研究问题
- RQ1大规模、多样化的手部图像数据集是否能提升基于深度学习的性别识别性能？
- RQ2双流CNN架构在利用手部背侧与掌侧视图进行性别分类方面效果如何？
- RQ3为性别识别学习到的特征在多大程度上可被重用于生物特征识别？
- RQ4所提出的系统与现有基于手部图像的生物特征识别方法相比表现如何？
主要发现
- 所提出的双流CNN在所采集的手部图像数据集上实现了高精度的性别识别。
- 将性别识别模型提取的CNN特征与SVM分类器结合后，显著提升了生物特征识别的性能。
- 来自190名受试者的11,076张手部图像数据集在多样性与质量方面均足够，可支持训练鲁棒的深度学习模型。
- 公开发布数据集、训练好的模型与源代码，实现了完全可复现性，并为基于手部的生物特征识别研究提供了支持。
更好的研究，从现在开始
从论文设计到论文写作，大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成，并经人工编辑审核。