结合迁移学习的轻量级指纹分类模型
【摘要】 目的目前的指纹分类模型存在操作繁琐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。方法传统的机器学习方法大多假设已标注数任务空间在测试集和训练集中的分布是不同的，并且迁据与未标注数据的分布是相同的，而迁移学习允许源空间、移学习仅专注目标任务的训练，使得网络模型根据需求更具个性化因此，本文提出一种基于迁移学习的轻量级该模型结合迁移学习，首先采用梯度估计的方法求取指纹图像的方向场图并且做增强处理;然后指纹分类模型的预训练，使其达到一定的分类效果，从而将扩展的指纹方向场图数据集用于本文提出的轻量级初步实现网络模型参数的调整;最后保留预训练模型部分的网络参数不变，使用指纹图像数据集Finger-SqueezeNet网络进行参数微调(Fin-。结果在使用相同的指纹数据集在本文提出的纯网络模型进行分ger-SqueezeNet，而通过预训练后的网络类训练后发现，未采用迁移学习方法对网络模型进行预训练得到的平均分类结果为模型可以达到对比同种类型的方法以及验证标准后可知，本文的指纹分类
