一、问题分析

从项目的介绍来看，可以提取以下3点信息：
(1) 本项目为图像识别类项目，不是分类项目。
(2) 训练数据集样本仅提供两两匹配的情况，而评估数据集中含有不匹配的样本数据。
(3) 该训练数据集一共包含16844张指纹图像，所有指纹图像的分辨率为1×96×103（灰×宽×高）。

因此，对应的，我们可以分析出以下信息：
(1) 指纹识别与人脸识别类似，可以通过特征比对的方式进行验证。
(2) 需要对训练集进行数据处理。
(3) 输入图像为1×96×103，需要设计合理的网络结构。

二、数据处理

将比赛提供的训练数据集中两两匹配的数据对进行类别分类，与人脸识别任务类似，最后将其转换为分类任务的训练。

三、网络设计

1.网络结构

(1) 基础网络架构选用ResNet50。
修改之处包括：输入尺寸1×96×103；去除MaxPooling层；增加一个全连接层进行特征提取；最后再使用一个全连接层进行分类。
(2) 损失函数使用ArcFace Loss（Additive Angular Margin Loss，加性角度间隔损失函数）。该损失函数来源于人脸识别任务中；作用是使得提取的指纹特征：类间远离，类内紧致，即使得提取到的特征，同一个人的尽可能相似，不同人的指纹尽可能差异明显。

2.如何验证

模型保存：网络训练完成后，去掉最后的全连接分类层，保留到最后的特征层。
验证两个指纹：分别通过模型提取特征；将两个特征向量进行余弦相似度计算；设定阈值，相似度大于阈值即可视为匹配。

3.训练细节

数据增强：20度角随机旋转，随机水平翻转，随机剪裁。
训练参数：batch_size=128；epochs=30；lr=0.001，15epoch时乘0.1；Adam优化器，weight_decay=1e-4。
ArcFace Loss参数：s=30，m=0.5。
余弦相似度阈值设置：0.75。