본 논문은 귀 생체 인식의 한계점인 부족한 데이터와 개인 간 변화의 문제를 해결하기 위해, 몇 번의 학습만으로도 효과적인 귀 인식을 가능하게 하는 새로운 프레임워크인 ProtoN을 제안합니다. ProtoN은 그래프 기반 접근 방식을 사용하여 한 개인의 여러 귀 이미지를 통합적으로 처리합니다. 각 이미지는 그래프의 노드로 표현되고, 학습 가능한 프로토타입 노드가 개인 정보를 인코딩합니다. Prototype Graph Neural Network (PGNN) 계층은 이중 경로 메시지 전달 메커니즘을 통해 이미지와 프로토타입 표현을 모두 개선합니다. 또한, 그래프 간 프로토타입 정렬 전략을 통해 클래스 내 압축성을 유지하면서 클래스 간 구분을 향상시키고, 하이브리드 손실 함수를 사용하여 전반적인 임베딩 공간의 구조를 개선합니다. 다섯 개의 벤치마크 데이터셋에 대한 실험 결과, ProtoN은 최첨단 성능(Rank-1 정확도 최대 99.60%, EER 최저 0.025%)을 달성하여 데이터가 제한적인 상황에서의 몇 번의 학습만으로 귀 인식의 효과를 보여줍니다.
