读《On-the-Fly Finger-Vein-Based Biometric Recognition Using Deep Neural Networks》

2020，IEEE
摘要
主要是解决采集图像麻烦，可以让志愿者随便刷一下就采集，而不是等上还几秒（视频截帧）
传统方法：
1.基于几何（最大曲率，基于像素细节纹理）
2.流形学习（PCA）（但是还没说用啥数据呢，对啥降维？）
3.基于统计（LBP等直方图）
4.基于局部不变（SIFT）
5.深度学习
指标：正确识别率CIR
方法：CNN提取特征，然后用LSTM考察图像帧之间关系（但是CNN输出的顺序也就是一开始输入的顺序，应该是有shuffle的，那还有什么序列好让LSTM去学的，不如用transformer自注意或者图网络吧？）
提到根据原始图像是矩形的，所以卷积核也该用矩形的，而不是直接方形核完事（有什么支撑吗）
此外，CNN和LSTM分开训练，原因是如果联合了，训练CNN的样本可以很少但是识别性能也会降低（why？不过这样的话LSTM就有意义了吧，可以得到CNN特征后先缓一缓排好顺序再送给LSTM。但是这样排序了不就知道实际类别了吗，还识别啥？）