針對深度學習方法在跨資料集的掌紋辨識上,提出 4 種方法進行改善,在 3 個公開資料集上測試的準確度都可以達到 99.6% 以上
- 應用 Optuna 框架和 TPE sampler 對訓練期間的 data warping 進行 hyper-parameter optimization,提高 12.55% 的準確度
- 提出將旋轉作為 oversampling 方法來擴增訓練資料,最多可使資料集擴大 4 倍,在前者之上提高準確度 5.34%
- 基於 test-time augmentation 和影像旋轉及映射,設計出 multi-transform matching,最多可將一張影像轉換成 8 張來輔助特徵比對,除了提高辨識穩定度,還能再提升 4.66% 的準確度
- 針對掌紋影像的結構特性調整 ResNeSt-50 的架構,減少 63.37% 的參數量,同時具有更高效的收斂速度,以及更分明的特徵萃取能力