一種超輕量級指靜脈紋絡(luò)實(shí)時(shí)分割網(wǎng)絡(luò)

曾軍英，陳宇聰，林惜華，秦傳波，王迎波，朱京明，田聯(lián)房，翟懿奎，甘俊英

（1 五邑大學(xué)智能制造學(xué)部，廣東江門529020）

（2 華南理工大學(xué)自動化科學(xué)與工程學(xué)院，廣州510640）

0 引言

在眾多生物特征識別技術(shù)中，手指靜脈識別因其非接觸式采集、活體識別、不易偽造、成本較低等優(yōu)點(diǎn)，吸引了大量科研工作者的關(guān)注。手指靜脈紋絡(luò)提取是指靜脈識別技術(shù)的關(guān)鍵步驟，直接影響后續(xù)指靜脈特征提取、匹配和識別的準(zhǔn)確度。雖然通過經(jīng)典語義分割網(wǎng)絡(luò)FCN［1］、SegNet［2］、RefineNet［3］等也能實(shí)現(xiàn)較好的指靜脈紋絡(luò)提取，但這些方法需要占用大量的存儲空間和計(jì)算資源，難以有效地應(yīng)用在當(dāng)下的嵌入式平臺和移動終端上，因此，設(shè)計(jì)輕量化深度神經(jīng)網(wǎng)絡(luò)架構(gòu)是解決該問題的關(guān)鍵。

近些年來，輕量級神經(jīng)網(wǎng)絡(luò)模型的設(shè)計(jì)吸引了學(xué)術(shù)界和工業(yè)界的廣泛關(guān)注，并提出了一系列輕量級模型［4-10］。Xception［4］將空間卷積和通道卷積分開，將兩個(gè)方向上的相關(guān)性分開。SqueezeNet［5］將卷積層分為擴(kuò)展層和壓縮層，在壓縮層實(shí)現(xiàn)對模型通道數(shù)的壓縮。MobileNet［6］采用了深度可分離卷積，在提高性能的同時(shí)優(yōu)化了模型的復(fù)雜度。MobileNetV2［7］顛覆了正殘差的思想，提出了反向殘差塊。ShuffleNet［8］提出通道混洗的方法，解決了分組卷積中各組信息的交流問題。ShuffleNetV2［9］從模型實(shí)時(shí)性的角度思考，提出了網(wǎng)絡(luò)運(yùn)行速度更快的4 個(gè)基本原則。GhostNet［10］首次從特征冗余的角度思考，提出ghost 模塊對模型進(jìn)行壓縮。此外，網(wǎng)絡(luò)輕量化的方法還有神經(jīng)網(wǎng)絡(luò)模型的壓縮方法，如知識蒸餾［11］、剪枝［12］、量化［13］、低秩分解［14］等，這些方法通過不同的角度對模型進(jìn)行壓縮，取得了豐碩的成果。……