論文の概要: Recognition Oriented Iris Image Quality Assessment in the Feature Space

• arxiv url: http://arxiv.org/abs/2009.00294v2
• Date: Sun, 27 Sep 2020 06:47:49 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-23 01:44:37.343433
• Title: Recognition Oriented Iris Image Quality Assessment in the Feature Space
• Title（参考訳）: 特徴空間における認識指向虹彩画像品質評価
• Authors: Leyuan Wang, Kunbo Zhang, Min Ren, Yunlong Wang, Zhenan Sun
• Abstract要約: 現実のシナリオで撮影された虹彩画像の大部分は、制御されていない環境と非協調的な対象のために品質が劣っている。 従来の因子ベースの手法は、ほとんどの画像を捨て、システムタイムアウトを引き起こし、ユーザーエクスペリエンスを損なう。 アイリス画像の認識指向品質指標と評価法を提案し,その問題に対処する。
• 参考スコア（独自算出の注目度）: 40.615018679370685
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A large portion of iris images captured in real world scenarios are poor quality due to the uncontrolled environment and the non-cooperative subject. To ensure that the recognition algorithm is not affected by low-quality images, traditional hand-crafted factors based methods discard most images, which will cause system timeout and disrupt user experience. In this paper, we propose a recognition-oriented quality metric and assessment method for iris image to deal with the problem. The method regards the iris image embeddings Distance in Feature Space (DFS) as the quality metric and the prediction is based on deep neural networks with the attention mechanism. The quality metric proposed in this paper can significantly improve the performance of the recognition algorithm while reducing the number of images discarded for recognition, which is advantageous over hand-crafted factors based iris quality assessment methods. The relationship between Image Rejection Rate (IRR) and Equal Error Rate (EER) is proposed to evaluate the performance of the quality assessment algorithm under the same image quality distribution and the same recognition algorithm. Compared with hand-crafted factors based methods, the proposed method is a trial to bridge the gap between the image quality assessment and biometric recognition. The code is available at https://github.com/Debatrix/DFSNet.
• Abstract（参考訳）: 実世界のシナリオで撮影された虹彩画像の大部分は、制御不能な環境と非協力的な対象のため品質が悪い。 認識アルゴリズムが低品質の画像に影響されないようにするため、従来の手作りの要因に基づく手法では、ほとんどの画像を破棄し、システムのタイムアウトやユーザエクスペリエンスの破壊を引き起こす。 本稿では,アイリス画像の認識指向品質指標と評価手法を提案する。 本手法は,特徴空間(DFS)における虹彩画像埋め込み距離を品質指標とし,注目機構を備えたディープニューラルネットワークに基づく予測を行う。 本稿では,手作りの要因に基づく虹彩品質評価法よりも有利な,認識のために捨てられた画像の数を削減しつつ,認識アルゴリズムの性能を著しく向上させることができる。 画像品質分布と同一認識アルゴリズムにおける品質評価アルゴリズムの性能を評価するために, 画像退避率 (IRR) と等誤差率 (EER) の関係について検討した。 提案手法は,手作りの因子に基づく手法と比較し,画質評価と生体認証のギャップを橋渡しする試みである。 コードはhttps://github.com/debatrix/dfsnetで入手できる。

関連論文リスト

• Rank-based No-reference Quality Assessment for Face Swapping [88.53827937914038]
  顔スワップ法における品質測定の基準は、操作された画像とソース画像の間のいくつかの距離に依存する。 顔スワップ用に設計された新しい非参照画像品質評価法(NR-IQA)を提案する。
  論文  参考訳（メタデータ） (2024-06-04T01:36:29Z)
• QGFace: Quality-Guided Joint Training For Mixed-Quality Face Recognition [2.8519768339207356]
  混合品質顔認証のための新しい品質誘導型共同訓練手法を提案する。 品質分割に基づいて、分類に基づく手法が本社データ学習に用いられている。 識別情報を欠いたLQ画像に対しては,自己教師付き画像イメージコントラスト学習を用いて学習する。
  論文  参考訳（メタデータ） (2023-12-29T06:56:22Z)
• Exploring Deep Learning Image Super-Resolution for Iris Recognition [50.43429968821899]
  重畳自動エンコーダ(SAE)と畳み込みニューラルネットワーク(CNN)の2つの深層学習単一画像超解法手法を提案する。 精度評価と認識実験により,1.872個の近赤外虹彩画像のデータベースを用いて評価を行い,比較アルゴリズムよりも深層学習の方が優れていることを示す。
  論文  参考訳（メタデータ） (2023-11-02T13:57:48Z)
• Blind Image Quality Assessment Using Multi-Stream Architecture with Spatial and Channel Attention [4.983104446206061]
  BIQA(Blind Image Quality Assessment)は、画像を自動的に評価する重要な研究分野である。 ほとんどのアルゴリズムは重要な関心領域を強調せずに品質を生成する。 この問題を解決するために,マルチストリーム空間およびチャネルアテンションに基づくアルゴリズムが提案されている。
  論文  参考訳（メタデータ） (2023-07-19T09:36:08Z)
• Fingerprint Image-Quality Estimation and its Application to Multialgorithm Verification [56.128200319868526]
  信号品質の認識は、認識率を増大させ、マルチセンサー環境における決定を著しく支援することが見出されている。 本稿では, 指紋画像の向きテンソルを用いて, ノイズ, 構造不足, ぼやけなどの信号障害を, 対称性記述子の助けを借りて定量化する。 定量的な結果は、あらゆる面において品質意識を優先し、認識率を高め、異なるスキルを持つ専門家を効果的かつ効果的に融合させる。
  論文  参考訳（メタデータ） (2022-11-24T12:17:49Z)
• Dehazed Image Quality Evaluation: From Partial Discrepancy to Blind Perception [35.257798506356814]
  画像のデハジングは、ぼんやりとした画像から空間的詳細を復元することを目的としている。 本稿では,部分的不一致に基づく画像品質評価手法を提案する。 Blind Perceptionを用いたNo-Reference品質評価尺度に拡張する。
  論文  参考訳（メタデータ） (2022-11-22T23:49:14Z)
• QMagFace: Simple and Accurate Quality-Aware Face Recognition [5.5284501467256515]
  本稿では,QMag-Face(QMag-Face,QMag-Face,QMag-Face,QMag-Face,QMag-Face,QMag-Face,QMag-Face,QMag-Face)を提案する。 いくつかの顔認識データベースとベンチマークで実施された実験は、導入された品質認識が認識性能を一貫した改善をもたらすことを示した。
  論文  参考訳（メタデータ） (2021-11-26T12:44:54Z)
• Learning Conditional Knowledge Distillation for Degraded-Reference Image Quality Assessment [157.1292674649519]
  劣化参照IQA(DR-IQA)という実用的な解を提案する。 DR-IQAはIRモデルの入力、劣化したイメージを参照として利用する。 私たちの結果は、フル参照設定のパフォーマンスに近いものもあります。
  論文  参考訳（メタデータ） (2021-08-18T02:35:08Z)
• Deep Tiny Network for Recognition-Oriented Face Image Quality Assessment [26.792481400792376]
  多くの顔認識(FR)のシナリオでは、顔画像は大きな変分を含むシーケンスから取得される。 本稿では、画像品質評価(IQA)とFRを直接リンクするFRの非参照画像品質評価を行う。 提案した品質測定に基づいて,データから品質予測関数を学習する深層顔品質ネットワーク(tinyFQnet)を提案する。
  論文  参考訳（メタデータ） (2021-06-09T07:20:54Z)
• Deep Face Super-Resolution with Iterative Collaboration between Attentive Recovery and Landmark Estimation [92.86123832948809]
  本稿では,2つの繰り返しネットワーク間の反復的協調による深層面超解像(FSR)手法を提案する。 各繰り返しステップにおいて、リカバリブランチは、ランドマークの事前の知識を利用して、高品質な画像を生成する。 新しい注意融合モジュールはランドマークマップのガイダンスを強化するために設計されている。
  論文  参考訳（メタデータ） (2020-03-29T16:04:48Z)

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。