la reconnaissance palmaire par reseaux neurones

Abstract

Dans cette étude, nous explorons une approche de reconnaissance palmaire avec contact basée sur l'apprentissage profond et le transfert de connaissances à partir du modèle GoogLeNet. Notre pipeline de traitement est structuré en trois étapes principales : extraction de caractéristiques par transfert d’apprentissage, réduction de dimensionnalité, et classification. Tout d’abord, nous exploitons la capacité de généralisation du réseau GoogLeNet préentraîné sur ImageNet pour extraire des descripteurs profonds à partir des images palmaires des bases MSCASIA et MSPOLY. Ces deux bases comportent des images multispectrales de paumes capturées dans des conditions contrôlées, ce qui les rend adaptées à l’évaluation de méthodes robustes d’identification biométrique. Ensuite, pour maximiser la séparabilité inter-classes tout en réduisant la dimensionnalité des vecteurs de caractéristiques, nous appliquons l'analyse discriminante linéaire (LDA). Cette étape permet de conserver les dimensions les plus discriminantes, en tenant compte des classes cibles, tout en atténuant le bruit et la redondance des données. Enfin, la classification est effectuée à l’aide d’un classifieur k-plus proches voisins (k-NN) utilisant une métrique de similarité cosinus, bien adaptée aux représentations vectorielles normalisées