【PVR】《Recognition of palm vein based on efficient channel attentional inverted residual》

[1]吴微,李传阳,张源,等.基于高效通道注意力倒残差网络的掌静脉识别[J/OL].激光杂志,1-11[2025-04-14].http://kns.cnki.net/kcms/detail/50.1085.TN.20240926.1421.004.html.

1、Background and Motivation

背景

• 掌静脉识别技术的发展
• 传统方法的局限性
• 卷积神经网络（CNN）的应用

动机

• 提高识别精度
• 降低参数量
• 融合先进技术
• 实际应用需求

2、Related Work

传统的基于人工提取的方法

• 基于纹理特征
• 基于结构特征
• 基于子空间

基于卷积神经网络的方法

• 普通的基于卷积神经网络的方法，
• 基于Transformer的方法。

3、Advantages / Contributions

本文通过融合倒残差结构、深度可分离卷积与注意力机制构建了高精度、低参数的高效通道注意力倒残差网络（efficient channel attention inverse residual network，ECIR-Net）。

有效提高了识别性能，在提高识别率的前提下降低了网络的参数量，具有部署在移动端以边缘计算形
式运行的可行性。

4、Method

提取 RoI 采用的是 Wu W, Wang Q, Yu S, et al. Outside box and contactless palm vein recognition based on a wavelet denoising ResNet[J]. IEEE Access, 2021, 9: 82471-82484.

整体网络结构

efficient channel attention network，ECA-Net

ECA-Net使用自适应方法动态地确定卷积核的大小。这个大小描述了跨通道相互作用的范围

倒残差：面对掌脉识别任务时，通道降维虽然减少了计算参数，但是可能会丢失本就稀少的掌脉特征。

5、Experiments

5.1、Datasets and Metrics

香港理工大学多光谱图库（PolyU）

同济大学图库（Tongji）

等误率(equal error rate，EER)

5.2、Compare with Others

5.3、Ablation Experiments

不加入ECA-Net的基线模型深度倒残差网络（Depth Inverse Residual Network，DIRNet）和加入ECA-Net的ECIR-Net进行了性能测

收敛的更快，精度更高

堆叠层数实验

13 vs 25 vs 37 vs 19

与其它层数相比，19层的网络性能最好，模型的收敛速度更快、性能更稳定

计算性能

ECIR⁃Net模型在复杂度均保持在较低水平的前提下，大大提高了识别精度与稳定性，适合部署于计算能力有限的移动设备。

6、Conclusion / Future work

• RoI 获取方法
• 倒残差
• ECA-Net
• depth-wise separable convolution
• 又小又好
• 下一阶段的研究将考虑进一步优化模型结构，减少模型参数与计算量，将其部署到移动设备。

更多论文解读，请参考 【Paper Reading】