論文の概要: Deep Encoder-Decoder Neural Network for Fingerprint Image Denoising and Inpainting

• arxiv url: http://arxiv.org/abs/2005.01115v1
• Date: Sun, 3 May 2020 15:24:22 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-07 07:00:18.648095
• Title: Deep Encoder-Decoder Neural Network for Fingerprint Image Denoising and Inpainting
• Title（参考訳）: deep encoder-decoder neural network for fingerprint image denoising and inpainting (meとバイオサイバネティックス)
• Authors: Weiya Fan
• Abstract要約: デコーダは、ネットワーク内の拡張畳み込みを用いて、デノナイジングを実現する特徴に基づいて、元の指紋画像を再構成し、レセプタフィールドを増大させる。 実験結果から, 指紋画像のエッジ, ライン, カーブ特性の回復性が向上し, 視覚効果が向上し, ピーク信号対雑音比(PSNR)が向上することが示唆された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Fingerprint image denoising is a very important step in fingerprint identification. to improve the denoising effect of fingerprint image,we have designs a fingerprint denoising algorithm based on deep encoder-decoder network,which encoder subnet to learn the fingerprint features of noisy images.the decoder subnet reconstructs the original fingerprint image based on the features to achieve denoising, while using the dilated convolution in the network to increase the receptor field without increasing the complexity and improve the network inference speed. In addition, feature fusion at different levels of the network is achieved through the introduction of residual learning, which further restores the detailed features of the fingerprint and improves the denoising effect. Finally, the experimental results show that the algorithm enables better recovery of edge, line and curve features in fingerprint images, with better visual effects and higher peak signal-to-noise ratio (PSNR) compared to other methods.
• Abstract（参考訳）: 指紋認証において指紋識別は非常に重要なステップである。 指紋画像の復調効果を改善するために, ディープエンコーダ・デコーダネットワークをベースとした指紋復調アルゴリズムを設計し, ノイズ画像の指紋特徴を学習するためのエンコーダ・サブネットを設計した。デコーダ・サブネットは, その特徴に基づいて元の指紋画像を再構成し, ネットワーク内の拡張畳み込みを用いて, 複雑さを増大させることなく, ネットワークの推論速度を向上させる。 さらに、フィンガープリントの詳細な特徴を復元し、ノイズ除去効果を向上させる残差学習の導入により、ネットワークの異なるレベルにおける特徴融合を実現する。 最後に, この実験結果から, 指紋画像のエッジ, ライン, カーブ特性の回復性が向上し, 視覚効果が向上し, ピーク信号-雑音比(PSNR)が向上することが示唆された。

関連論文リスト

• A cross Transformer for image denoising [83.68175077524111]
  直列ブロック(SB)、並列ブロック(PB)、残留ブロック(RB)を備えたクロストランスフォーマー(CTNet)を提案する。 CTNetは、実画像や合成画像のデノナイジングにおいて、一般的なデノナイジング法よりも優れている。
  論文  参考訳（メタデータ） (2023-10-16T13:53:19Z)
• ResWCAE: Biometric Pattern Image Denoising Using Residual Wavelet-Conditioned Autoencoder [0.0]
  パターン画像による生体認証は、IoT(Internet of Things)デバイスでますます普及している。 このようなシステムの信頼性は、特に高レベルのノイズの存在下で、画像品質の問題によって損なわれる可能性がある。 本稿では、軽量で堅牢なディープラーニングアーキテクチャ、Residual Wavelet-Conditioned Convolutional Autoencoder(Res-WCAE)を提案する。
  論文  参考訳（メタデータ） (2023-07-23T08:02:27Z)
• Multi-stage image denoising with the wavelet transform [125.2251438120701]
  深部畳み込みニューラルネットワーク(Deep Convolutional Neural Network, CNN)は、正確な構造情報を自動マイニングすることで、画像の復調に使用される。 動的畳み込みブロック(DCB)、2つのカスケードウェーブレット変換および拡張ブロック(WEB)、残留ブロック(RB)の3段階を経由した、MWDCNNによるCNNの多段階化を提案する。
  論文  参考訳（メタデータ） (2022-09-26T03:28:23Z)
• Deep Semantic Statistics Matching (D2SM) Denoising Network [70.01091467628068]
  本稿では,Deep Semantic Statistics Matching (D2SM) Denoising Networkを紹介する。 事前訓練された分類ネットワークの意味的特徴を利用して、意味的特徴空間における明瞭な画像の確率的分布と暗黙的に一致させる。 識別画像のセマンティックな分布を学習することで,ネットワークの認知能力を大幅に向上させることを実証的に見出した。
  論文  参考訳（メタデータ） (2022-07-19T14:35:42Z)
• Influence of image noise on crack detection performance of deep convolutional neural networks [0.0]
  深層畳み込みニューラルネットワークを用いた画像データからのひび割れの分類について多くの研究がなされている。 本稿では,画像ノイズがネットワークの精度に与える影響について検討する。 AlexNetは提案したインデックスに基づいて最も効率的なモデルに選ばれた。
  論文  参考訳（メタデータ） (2021-11-03T09:08:54Z)
• Data Uncertainty Guided Noise-aware Preprocessing Of Fingerprints [5.740220134446289]
  本稿では,入力画像に存在する雑音を定量化し,背景雑音やリッジの明度が低い指紋領域を識別する,データ不確実性に基づくフレームワークを提案する。 ノイズの定量化は、2つの折りたたみモデルに役立つ: まず、目的関数を特定の入力指紋のノイズに適応させ、その結果、ノイズや歪んだ指紋領域の堅牢な性能を達成する。 予測ノイズ分散マップは、入力画像に存在するノイズによる誤予測をエンドユーザが理解できるようにする。
  論文  参考訳（メタデータ） (2021-07-02T19:47:58Z)
• LINN: Lifting Inspired Invertible Neural Network for Image Denoising [41.188745735682744]
  本稿では,変換型デノナイジングフレームワークに着想を得た画像デノナイジング(DnINN)のための可逆ニューラルネットワークを提案する。 提案したDnINNは、ウェーブレット理論のリフトスキームにインスパイアされたLINNと呼ばれる可逆ニューラルネットワークで構成されている。 DnINN法は,学習可能なパラメータの1/4しか必要とせず,DnCNN法に匹敵する結果が得られる。
  論文  参考訳（メタデータ） (2021-05-07T14:52:48Z)
• Synergy Between Semantic Segmentation and Image Denoising via Alternate Boosting [102.19116213923614]
  ノイズ除去とセグメンテーションを交互に行うためのブーストネットワークを提案する。 我々は,ノイズによるセグメンテーション精度の低下に対処するだけでなく,画素別意味情報によってデノージング能力が向上することを示す。 実験の結果,デノイド画像の品質が大幅に向上し,セグメンテーション精度がクリーン画像に近いことを示した。
  論文  参考訳（メタデータ） (2021-02-24T06:48:45Z)
• Learning Spatial and Spatio-Temporal Pixel Aggregations for Image and Video Denoising [104.59305271099967]
  ピクセル集計ネットワークを提示し、画像デノイジングのためのピクセルサンプリングと平均戦略を学びます。 時間空間にまたがるサンプル画素をビデオデノナイズするための画素集約ネットワークを開発した。 本手法は,動的シーンにおける大きな動きに起因する誤認問題を解決することができる。
  論文  参考訳（メタデータ） (2021-01-26T13:00:46Z)
• Super-resolution Guided Pore Detection for Fingerprint Recognition [22.146795282680667]
  超解像と気孔検出の両ネットワークを組み合わせた共同学習型アプローチを提案する。 SRGAN(Super-Resolution Generative Adversarial Network)フレームワークは、低解像度から高分解能の指紋サンプルを確実に再構築するのに役立ちます。
  論文  参考訳（メタデータ） (2020-12-10T20:30:56Z)
• Variational Denoising Network: Toward Blind Noise Modeling and Removal [59.36166491196973]
  ブラインド画像のデノイングはコンピュータビジョンにおいて重要な問題であるが、非常に難しい問題である。 本稿では,ノイズ推定と画像デノーミングを併用した新しい変分推論手法を提案する。
  論文  参考訳（メタデータ） (2019-08-29T15:54:06Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。