[发明专利]指静脉识别训练方法、测试方法及相关装置

权利要求书

1.一种指静脉识别训练方法，其特征在于，包括：

获取多个指静脉图像训练集，其中，多个所述指静脉图像训练集包括多个源域指静脉图像训练集和目标域指静脉图像训练集；

获取轻量级多源域适应网络，所述轻量级多源域适应网络包括多个源域分支、一个主干分支、一个目标域分支、分支中间层特征迁移模块和域迁移损失转换器；

将所述源域指静脉图像训练集输入所述源域分支进行预训练，得到第一特征数据；

将所述目标域指静脉图像训练集输入所述目标域分支进行预训练，得到第二特征数据；

将所述目标域指静脉图像训练集输入所述主干分支进行训练，并在所述主干分支训练过程中通过所述分支中间层特征迁移模块在所述主干分支对所述第一特征数据、所述第二特征数据进行特征迁移，得到迁移训练模型；

通过所述域迁移损失转换器计算基于所述迁移训练模型完成主干分支训练时对应的域迁移损失；

根据所述域迁移损失对所述主干分支进行优化，并基于优化后的主干分支，得到指静脉识别模型。

2.根据权利要求1所述的指静脉识别训练方法，其特征在于，所述第一特征数据和所述第二特征数据均包括多个特征图；所述将所述目标域指静脉图像训练集输入所述主干分支进行训练，并在所述主干分支训练过程中通过所述分支中间层特征迁移模块在所述主干分支对所述第一特征数据、所述第二特征数据进行特征迁移，得到迁移训练模型，包括：

从所述第一特征数据、所述第二特征数据中分别获取中间层特征图，其中，所述中间层特征图为对应的多个所述特征图中至少之一；

将所述中间层特征图通过转换器或回归函数与所述主干分支中待迁移的特征图对齐；

根据对齐后的所述中间层特征图，计算所述源域分支与所述目标域分支的特征迁移损失；

调整所述源域分支与所述目标域分支的特征迁移损失的损失系数，得到所述分支中间层特征迁移模块的特征迁移损失；

根据所述分支中间层特征迁移模块的特征迁移损失，缩小所述主干分支中待迁移的特征图和所述中间层特征图的特征相似性的距离度量，以使所述主干分支的待迁移的特征图的特征分布趋近于所述源域分支和所述目标域分支，并得到迁移训练模型。

3.根据权利要求1所述的指静脉识别训练方法，其特征在于，所述通过域迁移损失转换器计算所述迁移训练模型完成训练时对应的域迁移损失，包括：

将所述源域分支输出的第一汇总分值和所述主干分支输出的第二汇总分值通过源域分支损失转换器进行蒸馏，得到vanilla KD损失，其中，所述源域分支损失转换器为所述域迁移损失转换器之一；

计算所述源域分支的输出图像与指静脉标签的相似度，其中，所述指静脉标签为预先设定的指静脉图像；

将所述相似度与所述vanilla KD损失进行加权运算，得到源域损失函数；

基于目标域分支损失转换器，根据所述目标域分支输出的第三汇总分值、输出图像和所述第二汇总分值，得到目标域损失函数，其中，所述目标域分支损失转换器为所述域迁移损失转换器之一；

对所述源域损失函数和所述目标域损失函数进行损失系数调整，确定中间损失；

将所述中间损失与所述主干分支的监督损失进行加权运算，得到域迁移损失。

4.根据权利要求3所述的指静脉识别训练方法，其特征在于，所述将所述中间损失与所述主干分支的监督损失进行加权运算，得到域迁移损失之前，所述方法还包括：

获取第一类别向量和第二类别向量，其中，所述第一类别向量为所述源域分支和所述目标域分支的类别向量，所述第二类别向量为所述主干分支中所有类别向量的平均值；

计算所述第一类别向量和所述第二类别向量的交叉熵损失，并将计算结果作为所述主干分支的监督损失。