КЛАСИФІКАЦІЯ ЦИФРОВИХ МОДИФІКАЦІЙ БІОМЕТРИЧНИХ ЗОБРАЖЕНЬ ДВОГІЛКОВОЮ ЗГОРТКОВОЮ НЕЙРОННОЮ МЕРЕЖЕЮ

Анотація

Досліджено багатокласову класифікацію цифрових модифікацій відбитків пальців із набору SOCOFing на основі згорткових нейронних мереж. Порівняно базову CNN із двогілковою моделлю, яка поєднує ознаки зображення та локальні структурні дескриптори папілярних ліній. Структурну гілку сформовано на основі градієнтів Собеля і локального тензора структури; її внесок у спільне подання визначається навчуваним просторовим затвором, що враховує згорткові ознаки обох гілок та карту когерентності. Замість розгортання карти у вектор використано конкатенацію результатів глобального середнього й максимального агрегування. Розглянуто класи: Real, Obliteration, Central_rotation та Z_cut. Після вилучення сімейств зображень, пов’язаних із конфліктами міток або точними дублікатами між особами, отримано 54 978 зображень. Навчальну, валідаційну та тестову підвибірки сформовано за особами, щоб похідні одного відбитка не потрапляли до різних частин даних. Порівняння виконано за однакових параметрів оптимізації, роздільної здатності 96 × 96 пікселів, seed 44 та граничного бюджету 100 епох із достроковою зупинкою після семи епох без зростання валідаційної macro-F1. Навчання базової та двогілкової моделей завершилося після 45 і 29 епох відповідно; за валідаційною macro-F1 вибрано ваги з епох 38 і 22. На тестовій підвибірці з 8 172 зображень базова CNN досягла точності класифікації 94,20 % і macro-F1 92,74 %, а двогілкова — 95,06 % і 93,67 % відповідно. Кількість помилкових прогнозів зменшилася з 474 до 404, а число параметрів — з 4 738 052 до 43 174. Зменшення кількості параметрів пов’язане насамперед із заміною Flatten глобальним агрегуванням. F1-міра зросла для кожного класу, проте зміни Precision і Recall не були односпрямованими. Наведено матриці помилок, криві навчання та аналіз компромісів між показниками окремих класів. Результат характеризує один запуск кожної моделі на фіксованому розбитті й не встановлює статистичної значущості переваги. Внутрішню тестову підвибірку вже оцінювали раніше; вона не є новим зовнішнім тестом. Через одночасну зміну гілок, способу їх поєднання та класифікаційної частини окремий внесок цих компонентів потребує абляційної перевірки. Класи відповідають цифровим модифікаціям у SOCOFing; результати не є оцінкою виявлення фізичних підробок або біометричної ідентифікації особи.