利用U-Net上下文融合模块实现高效的手掌线分割
重磅干货，第一时间送达
小白导读
论文是学术研究的精华和未来发展的明灯。小白决心每天为大家带来经典或者最新论文的解读和分享，旨在帮助各位读者快速了解论文内容。个人能力有限，理解难免出现偏差，建议对文章内容感兴趣的读者，一定要下载原文，了解具体内容。
世界上许多文化都相信看手相可以用来预测一个人未来的生活。手相学使用的是手的特征，比如手掌的纹路，手的形状，或者指尖的位置。然而，目前对掌纹检测的研究还比较少，很多人采用了传统的图像处理技术。在大多数真实场景中，图像通常不是很好，导致这些方法的性能严重不足。本文提出了一种从人的手掌图像中提取主要掌纹的算法。作者的方法应用深度学习网络(DNNs)来提高性能。这个问题的另一个挑战是缺乏训练数据。为了处理这个问题，作者从头手工制作了一个数据集。从这个数据集，作者比较了现成的方法和作者的方法的性能。此外，基于UNet分割神经网络结构和注意机制知识，作者提出了一种高效的手掌纹检测结构。作者提出了上下文融合模块来捕捉最重要的上下文特征，目的是提高分割精度。实验结果表明，该方法的F1得分最高，约为99.42%，在同一数据集上mIoU为0.584，优于其他方法。
综上所述，作者的主要贡献总结如下:
提出利用DNN来解决掌纹检测问题。作者使用深度学习和图像处理技术，而不是像之前的其他论文中那样纯粹的传统图像处理。
为这个问题提供高质量的数据集。该数据集由该领域的专业人士仔细注释。
提出了作者的模型与上下文融合模块，即使在复杂的掌纹图像也能实现较高的精度。通过这种方法，作者在mIoU评分方面取得了不错的成绩。
作者的图像分割系统的架构
融合局部和全局上下文特征的上下文融合模块
U-Net带有上下文融合模块
一些模型的输出图像应用于此问题。作者的网络(Unet-CFM)在复杂的掌纹输入中取得了较好的效果。
结论
在本文中，作者应用深度学习技术建立神经网络来解决掌纹分割问题。在作者的数据集上，作者模型的最终mIoU为0.584,F1得分为99.42%。该数据集是人工收集的，将为科学目的公开发布。实验结果表明，该方法在掌纹图像分割任务中比传统的图像处理具有巨大的优势。本研究的未来工作将是研究一种更稳健的方法来处理复杂背景图像的变化;此外，还可以使用CFM的其他功能进行进一步的调查。
每日坚持论文分享不易，如果喜欢我们的内容，希望可以推荐或者转发给周围的同学。
- END -
#投 稿 通 道#
让你的论文被更多人看到
如何才能让更多的优质内容以更短路径到达读者群体，缩短读者寻找优质内容的成本呢？答案就是：你不认识的人。
总有一些你不认识的人，知道你想知道的东西。深度学习爱好者 或许可以成为一座桥梁，促使不同背景、不同方向的学者和学术灵感相互碰撞，迸发出更多的可能性。
深度学习爱好者 鼓励高校实验室或个人，在我们的平台上分享各类优质内容，可以是最新论文解读，也可以是学习心得或技术干货。我们的目的只有一个，让知识真正流动起来。
📝 来稿标准：
· 稿件确系个人原创作品，来稿需注明作者个人信息（姓名+学校/工作单位+学历/职位+研究方向）
· 如果文章并非首发，请在投稿时提醒并附上所有已发布链接
· 深度学习爱好者 默认每篇文章都是首发，均会添加“原创”标志