顯式優於隱式：利用復結構張量表示增強CNN在眼周識別中的性能
研究表明，CNN難以有效提取方向特徵。使用包含緊湊方向特徵和置信度的復結構張量作為CNN輸入，相比灰度圖像輸入，持續提高了識別準確率。實驗還表明，由小型復卷積網絡提供的輸入結合縮減的CNN尺寸，優於全尺寸的主流CNN架構。這表明在CNN中預先使用方向特徵（哺乳動物視覺中採用的策略）不僅緩解了CNN的侷限性，還增強了其可解釋性和對輕量級設備的適用性。實驗在公開眼周圖像數據集（Cross-Eyed和PolyU）上使用六種CNN架構進行閉集和開集場景下的生物識別和驗證，結果顯示等錯誤率降低了5-26%。
一項新的研究提出了一種通過復結構張量表示增強卷積神經網絡（CNN）在眼周識別中性能的方法。該研究由Kevin Hernandez-Diaz等人完成，並發表在arXiv上。傳統CNN在處理方向特徵時存在困難，而哺乳動物視覺系統則能有效利用方向信息。受此啓發，研究人員將復結構張量作為CNN的輸入，該張量包含緊湊的方向特徵及其置信度。
實驗使用Cross-Eyed和PolyU兩個公開的眼周圖像數據集，在閉集和開集兩種場景下進行生物識別和驗證。研究人員採用了六種不同的CNN架構，並比較了灰度圖像輸入與復結構張量輸入的性能。結果表明，使用復結構張量作為輸入時，所有架構的識別準確率均得到提升，等錯誤率（EER）降低了5%至26%。
更值得注意的是，當使用小型復卷積網絡提供的復結構張量輸入，並配合縮減尺寸的CNN時，其性能甚至超過了全尺寸的流行CNN架構。這表明，在CNN前端顯式嵌入方向特徵不僅彌補了CNN的表示能力限制，還提高了模型的可解釋性，並更適合在計算資源受限的輕量級設備上部署。研究人員認為，這種策略類似於哺乳動物視覺系統中的方向選擇性機制，為計算機視覺領域提供了一種新的設計思路。
儘管該方法在眼周識別任務上表現優異，但研究人員也指出其侷限性，例如未來的工作可能需要探索在其他視覺任務中的適用性。該研究為克服CNN在方向特徵提取方面的不足提供了實證支持，並展示了顯式方向先驗在實際應用中的潛力。