文献类型：期刊文章

作　　者：刘元宁[1,2] 朱琳[1,2] 朱晓冬[1,2] 刘震[1,3] 吴浩萌[1]

Yuan-ning LIU;Lin ZHU;Xiao-dong ZHU;Zhen LIU;Hao-meng WU(College of Computer Science and Technology,Jilin University,Changchun 130012,China;Key Laboratory of Symbolic Computation and Knowledge Engineering,Ministry of Education,Jilin University,Changchun 130012,China;Graduate School of Engineering,Nagasaki Institute of Applied Science,Nagasaki 851-0193,Japan)

机构地区：[1]吉林大学计算机科学与技术学院,长春130012 [2]吉林大学符号计算与知识工程教育部重点实验室,长春130012 [3]长崎综合科学大学研究生院工学研究科,长崎851-0193

出　　处：《吉林大学学报（工学版）》

基　　金：吉林省自然科学基金项目(YDZJ202101ZYTS144);国家自然科学基金项目(61471181).

年　　份：2022

卷　　号：52

期　　号：12

起止页码：2924-2932

语　　种：中文

收录情况：BDHX、BDHX2020、CAS、CSCD、CSCD2021_2022、EI、IC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：提出了一种改进的深度虹膜分类模型EnhanceDeepIris,在生成网络的辅助下,对深度学习虹膜分类网络进行二次训练,使已经在原始训练集上收敛的分类网络继续训练,得到在测试集上泛化能力更好的网络。使用3个先进的图像分类网络VGG16、ResNet101和DenseNet121验证EnhanceDeepIris对深度学习分类网络的提升效果。在两个虹膜数据集CASIA-Iris-Thousand和JLU6.0上对该方法进行实验,结果表明,与传统数据增强方法相比,经过EnhanceDeepIris提升训练的分类模型识别精度更高、测试效果更稳定。

关 键 词：计算机应用 深度学习  虹膜识别 图像生成 辅助分类  

分 类 号：TP391.41]