程式練習...
訓練一個孿生神經網路，用來將訪問者靜脈特徵與資料庫已註冊的特徵做一對一的個人身份驗證，匹配兩幅靜脈特徵圖像是否為同一人。
參考資料如下:
-
主架構的部分參考: Siamese Neural Networks for One-shot Image Recognition
-
程式碼建立的部分參考: Siamese network with Keras, TensorFlow, and Deep Learning
-
損失函數: Dimensionality Reduction by Learning an Invariant Mapping
-
模型訓練指標定義參考: Stack overflow
自己收集的手腕靜脈資料集，同個人分兩個時期拍攝，共640張圖片。
先是提取手腕感興趣區域，然後再提取感興趣區域的靜脈特徵。
如果要替換為自己的時期1與時期2的資料集，請由 main.ipynb 中的 image_dir1 與 image_dir2 載入
本次訓練資料集拆成 8 : 2 用於 訓練 : 驗證
在 data_loader.py 中，標籤的正對是將同個人不同時期的影像配在一起，標示為0(表示同一人)，負對則配隨機不同人的圖像標示為1(表示不同人)
隨機取幾組正負對視覺化在 labels_visualization.ipynb，視覺化的圖pos表同一人，neg表不同人，如下圖：
主網路與子網路：
image資料夾內的 圖3(主架構) 跟圖4(子網路)
Epoch 100/100 32/32 [==============================] - ETA: 0s - loss: 0.0204 - accuracy: 0.9863 - precision: 0.9969 - recall: 0.9786 - f1_score: 0.9870 Epoch 100: val_loss improved from 0.02339 to 0.02318, saving model to snn.hdf5 32/32 [==============================] - 4s 118ms/step - loss: 0.0204 - accuracy: 0.9863 - precision: 0.9969 - recall: 0.9786 - f1_score: 0.9870 - val_loss: 0.0232 - val_accuracy: 0.9766 - val_precision: 1.0000 - val_recall: 0.9437 - val_f1_score: 0.9693
在 test.ipynb 中可以看到以下指標，用來測試訓練好的模型在自己或其他資料集表現，一樣是把 test.ipynb 內 image_dir1 與 image_dir2 修改為想測試的資料集。
DET, ROC 曲線與 EER：
真偽用戶歐幾里得距離分布圖：
在找到 EER 的閾值下，有多少真偽用戶正確跟錯誤訪問系統：
下載後先將 main.ipynb 中的 image_dir1 與 image_dir2 替換成你的資料集，然後執行 main.ipynb
python==3.9.2
tensorflow(Keras)==2.10.0
opencv-python==4.5.3.56
scikit-learn==1.4.2
numpy==1.26.4
matplotlib==3.8.4
seaborn==0.13.2
imutils==0.5.4
OS：windows10
GPU：RTX3060 12G
CUDA 11.2
cuDNN 8.1.1