一项新的研究提出了一种通过复结构张量表示增强卷积神经网络（CNN）在眼周识别中性能的方法。该研究由Kevin Hernandez-Diaz等人完成，并发表在arXiv上。传统CNN在处理方向特征时存在困难，而哺乳动物视觉系统则能有效利用方向信息。受此启发，研究人员将复结构张量作为CNN的输入，该张量包含紧凑的方向特征及其置信度。
实验使用Cross-Eyed和PolyU两个公开的眼周图像数据集，在闭集和开集两种场景下进行生物识别和验证。研究人员采用了六种不同的CNN架构，并比较了灰度图像输入与复结构张量输入的性能。结果表明，使用复结构张量作为输入时，所有架构的识别准确率均得到提升，等错误率（EER）降低了5%至26%。
更值得注意的是，当使用小型复卷积网络提供的复结构张量输入，并配合缩减尺寸的CNN时，其性能甚至超过了全尺寸的流行CNN架构。这表明，在CNN前端显式嵌入方向特征不仅弥补了CNN的表示能力限制，还提高了模型的可解释性，并更适合在计算资源受限的轻量级设备上部署。研究人员认为，这种策略类似于哺乳动物视觉系统中的方向选择性机制，为计算机视觉领域提供了一种新的设计思路。
尽管该方法在眼周识别任务上表现优异，但研究人员也指出其局限性，例如未来的工作可能需要探索在其他视觉任务中的适用性。该研究为克服CNN在方向特征提取方面的不足提供了实证支持，并展示了显式方向先验在实际应用中的潜力。