論文の概要: Single architecture and multiple task deep neural network for altered fingerprint analysis

• arxiv url: http://arxiv.org/abs/2007.04931v1
• Date: Thu, 9 Jul 2020 17:02:09 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-12 04:52:46.913969
• Title: Single architecture and multiple task deep neural network for altered fingerprint analysis
• Title（参考訳）: 修正指紋解析のための単一アーキテクチャとマルチタスクディープニューラルネットワーク
• Authors: Oliver Giudice (1), Mattia Litrico (1), Sebastiano Battiato (1 and 2) ((1) University of Catania, (2) iCTLab s.r.l. - Spin-off of University of Catania)
• Abstract要約: 「変質指紋」とは、摩擦隆起パターンの意図的な損傷を指す。 本稿では,変化指紋の検出,変化の種類の同定,性別,手,指の認識を行う手法を提案する。 提案手法は, 偽造, 変化, 性別, 手指の分類において, 98.21%, 98.46%, 92.52%, 97.53%, 92,18%の精度を達成している。
• 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: Fingerprints are one of the most copious evidence in a crime scene and, for this reason, they are frequently used by law enforcement for identification of individuals. But fingerprints can be altered. "Altered fingerprints", refers to intentionally damage of the friction ridge pattern and they are often used by smart criminals in hope to evade law enforcement. We use a deep neural network approach training an Inception-v3 architecture. This paper proposes a method for detection of altered fingerprints, identification of types of alterations and recognition of gender, hand and fingers. We also produce activation maps that show which part of a fingerprint the neural network has focused on, in order to detect where alterations are positioned. The proposed approach achieves an accuracy of 98.21%, 98.46%, 92.52%, 97.53% and 92,18% for the classification of fakeness, alterations, gender, hand and fingers, respectively on the SO.CO.FING. dataset.
• Abstract（参考訳）: 指紋は犯罪現場で最も厳しい証拠の一つであり、そのために警察によって個人を特定するために頻繁に使用されている。 しかし、指紋は変更できる。 「変質指紋」とは、意図的に摩擦隆起のパターンを損なうことであり、法執行を逃れるために賢い犯罪者がしばしば使用する。 我々は、inception-v3アーキテクチャをトレーニングするディープニューラルネットワークアプローチを使用する。 本稿では,変化指紋の検出,変化の種類の同定,性別,手,指の認識を行う手法を提案する。 また、ニューラルネットワークが注目している指紋の一部を表示するアクティベーションマップを作成し、変化の位置を検出する。 提案手法は,SO.CO.FINGの偽造,変化,性別,手指の分類において,98.21%,98.46%,92.52%,97.53%,92,18%の精度を達成している。 データセット。

関連論文リスト

• Deep Learning-Based Approaches for Contactless Fingerprints Segmentation and Extraction [1.2441902898414798]
  我々は,非接触指紋の局所化とセグメンテーションのためのディープラーニングベースのセグメンテーションツールを開発した。 評価では,30ピクセルの平均絶対誤差(MAE),5.92度の角度予測誤差(EAP),97.46%のラベル付け精度を示した。
  論文  参考訳（メタデータ） (2023-11-26T01:56:10Z)
• A Universal Latent Fingerprint Enhancer Using Transformers [47.87570819350573]
  本研究の目的は,ULPrintと呼ばれる高速なフィンガープリント方式を開発し,様々な潜伏指紋のタイプを増強することである。 クローズドセットの識別精度実験では、MSU-AFISの性能は61.56%から75.19%に向上した。
  論文  参考訳（メタデータ） (2023-05-31T23:01:11Z)
• Fingerprint Liveness Detection using Minutiae-Independent Dense Sampling of Local Patches [0.0]
  指紋認識とマッチングは、ユーザ認証の一般的な形式である。 この脆弱性に対する対策として、スポット検出とライブネス検出アルゴリズムが研究されている。 本稿では,機械学習を用いた指紋偽造防止機構を提案する。
  論文  参考訳（メタデータ） (2023-04-11T16:11:44Z)
• Hierarchical Perceptual Noise Injection for Social Media Fingerprint Privacy Protection [106.5308793283895]
  ソーシャルメディアからの指紋漏洩は 画像を匿名化したいという強い欲求を喚起します 指紋漏洩を保護するために、画像に知覚不能な摂動を加えることにより、敵攻撃が解決策として現れる。 この問題を解決するために,階層型パーセプティカルノイズ注入フレームワークであるFingerSafeを提案する。
  論文  参考訳（メタデータ） (2022-08-23T02:20:46Z)
• FIGO: Enhanced Fingerprint Identification Approach Using GAN and One Shot Learning Techniques [0.0]
  本稿では,生成逆数ネットワークとワンショット学習技術に基づく指紋識別手法を提案する。 まず,低画質の指紋画像を,指紋強調層に直接画素を向けて高レベルの指紋画像に変換するPix2Pixモデルを提案する。 第2に,指紋識別プロセスにおいて,各指紋を他の指紋と区別するために,ワンショット学習アプローチを用いた完全自動指紋特徴抽出モデルを構築した。
  論文  参考訳（メタデータ） (2022-08-11T02:45:42Z)
• On the vulnerability of fingerprint verification systems to fake fingerprint attacks [57.36125468024803]
  中規模の偽指紋データベースを記述し、2つの異なる指紋認証システムを評価する。 光およびサーマルスイーピングセンサの結果が提供される。
  論文  参考訳（メタデータ） (2022-07-11T12:22:52Z)
• Damaged Fingerprint Recognition by Convolutional Long Short-Term Memory Networks for Forensic Purposes [0.0]
  本稿では,Convolutional Long Short-Term Memory Networkによる損傷指紋の認識に着目した。 我々は,このモデルのアーキテクチャを示し,95%の精度,99%の精度,95%のリコール,99%のaucに接近する性能を示す。
  論文  参考訳（メタデータ） (2020-12-30T04:51:58Z)
• Responsible Disclosure of Generative Models Using Scalable Fingerprinting [70.81987741132451]
  深層生成モデルは質的に新しいパフォーマンスレベルを達成した。 この技術がスプーフセンサーに誤用され、ディープフェイクを発生させ、大規模な誤情報を可能にするという懸念がある。 最先端のジェネレーションモデルを責任を持って公開することで、研究者や企業がモデルに指紋を刻むことができます。
  論文  参考訳（メタデータ） (2020-12-16T03:51:54Z)
• Artificial Fingerprinting for Generative Models: Rooting Deepfake Attribution in Training Data [64.65952078807086]
  光現実性画像生成は、GAN(Generative Adversarial Network)のブレークスルーにより、新たな品質レベルに達した。 しかし、このようなディープフェイクのダークサイド、すなわち生成されたメディアの悪意ある使用は、視覚的誤報に関する懸念を提起する。 我々は,モデルに人工指紋を導入することによって,深度検出の積極的な,持続可能なソリューションを模索する。
  論文  参考訳（メタデータ） (2020-07-16T16:49:55Z)
• Latent Fingerprint Registration via Matching Densely Sampled Points [100.53031290339483]
  既存の潜伏指紋登録手法は、主にミツバチ間の対応を確立することに基づいている。 本研究では,一対の指紋間の空間的変換を推定する,最小限の潜伏指紋登録手法を提案する。 提案手法は,特に挑戦的な条件下で,最先端の登録性能を実現する。
  論文  参考訳（メタデータ） (2020-05-12T15:51:59Z)
• An Overview of Fingerprint-Based Authentication: Liveness Detection and Beyond [0.0]
  我々は,生きた人間がシステム上で認証しようとしていることを確実にするための技術として定義されている,身体の活力を検出する方法に焦点をあてる。 我々は、悪意ある人物が指紋認証システムを騙して偽の指を本物として受け入れようとする攻撃を防ぐのに、これらの手法がいかに効果的かを分析する。
  論文  参考訳（メタデータ） (2020-01-24T20:07:53Z)

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。