본 논문에서는 잡종 풀링(hybrid pooling) 메커니즘을 사용하는 합성곱 신경망(CNN) 기반의 새로운 손가락 정맥 인식 네트워크인 FVR-Net을 제안한다. 본 방식은 시각적 품질과 무관하게 집단 간(interclass) 정맥 이미지 샘플로부터 이산적(discrete) 특징을 추출하기 위한 블록 단위 특징 추출 네트워크(block-wise feature extraction network)의 활용을 기반으로 한다. FVR-Net에 입력되는 이미지는 네트워크에 투입되기 전에 전처리를 거치며, 이를 통해 배경으로부터 정맥 패턴을 분할(segmentation)한다. 우리는 각 블록이 합성곱 계층(convolutional layer) 다음에 잡종 풀링을 포함하고, 해당 블록의 출력 활성화 맵(activation maps)을 연결(concatenation)한 뒤 네트워크 내의 다음 블록으로 특징을 전달하도록 하는 특징 추출 네트워크를 설계하였다. 잡종 풀링 층에서는 maxpooling과 average pooling의 두 개 다운샘플링(subsampling) 층을 병렬로 배치하였는데, 전자는 입력의 가장 이산적인 특징을 활성화하고 후자는 입력 볼륨의 전체 범위를 고려하여 특징의 더 나은 위치 파악(localization)에 접근할 수 있게 한다. 특징 추출 후, 해당 특징들은 분류를 위해 세 개의 완전 연결 층(FCLs; fully connected layers)으로 전달된다. 우리는 이미지의 시각적 품질을 기준으로 두 개의 공개 손가락 정맥 데이터셋에 대해 여러 실험을 수행하였다. 기존 연구와 비교했을 때, 제안 모델은 양호 및 불량 품질 이미지 각각에 대해 최대 97.84%와 97.22%의 정확도를 달성하며 우수한 인식 성능을 보인다. 또한 여러 네트워크 하이퍼파라미터를 변화시킴으로써, 손가락 정맥 생체인식 시스템에서 최상의 인식 정확도를 보장할 수 있는 최적 설정을 도출한다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.