論文の概要: IHashNet: Iris Hashing Network based on efficient multi-index hashing
- arxiv url: http://arxiv.org/abs/2012.03881v1
- Date: Mon, 7 Dec 2020 17:50:57 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-16 21:52:13.981149
- Title: IHashNet: Iris Hashing Network based on efficient multi-index hashing
- Title(参考訳): ihashnet:効率的なマルチインデックスハッシュに基づくirisハッシュネットワーク
- Authors: Avantika Singh, Chirag Vashist, Pratyush Gaurav, Aditya Nigam,
Rameshwar Pratap
- Abstract要約: インデックス構造と互換性のあるアイリスバーコード(IBC)にバイナライズされた実数値ディープアイリス特徴を用いたアイリスインデックス方式を提案する。
irisデータセットをインデックス化するために、我々はバイナリ機能をマルチインデックスハッシュスキームと互換性のある改良された機能に変換するロスを提案しました。
- 参考スコア(独自算出の注目度): 9.540646692526348
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Massive biometric deployments are pervasive in today's world. But despite the
high accuracy of biometric systems, their computational efficiency degrades
drastically with an increase in the database size. Thus, it is essential to
index them. An ideal indexing scheme needs to generate codes that preserve the
intra-subject similarity as well as inter-subject dissimilarity. Here, in this
paper, we propose an iris indexing scheme using real-valued deep iris features
binarized to iris bar codes (IBC) compatible with the indexing structure.
Firstly, for extracting robust iris features, we have designed a network
utilizing the domain knowledge of ordinal filtering and learning their
nonlinear combinations. Later these real-valued features are binarized.
Finally, for indexing the iris dataset, we have proposed a loss that can
transform the binary feature into an improved feature compatible with the
Multi-Index Hashing scheme. This loss function ensures the hamming distance
equally distributed among all the contiguous disjoint sub-strings. To the best
of our knowledge, this is the first work in the iris indexing domain that
presents an end-to-end iris indexing structure. Experimental results on four
datasets are presented to depict the efficacy of the proposed approach.
- Abstract(参考訳): バイオメトリックの大規模展開は今日の世界に広まっている。
しかし、バイオメトリックシステムの精度は高いものの、その計算効率はデータベースサイズの増加とともに劇的に低下する。
したがって、それらをインデクシングすることが不可欠である。
理想的なインデクシングスキームは、サブジェクト内相似性とサブジェクト間相似性を保持するコードを生成する必要がある。
本稿では,実数値の深いアイリス特徴を用いたアイリス索引化手法を提案し,その索引化構造に適合するアイリスバー符号(IBC)をバイナライズする。
まず,ロバストな虹彩特徴を抽出するために,順序フィルタリングのドメイン知識を活用し,それらの非線形組み合わせを学習するネットワークを設計した。
その後、これらの実数値機能は二元化される。
最後に、irisデータセットをインデックス化するために、バイナリ機能をマルチインデックスハッシュスキームと互換性のある改良された機能に変換するロスを提案しました。
この損失関数は、全ての連続した部分弦の間に均等にハミング距離を分散させる。
我々の知る限りでは、これは、エンドツーエンドのアイリスインデックス構造を示すアイリスインデックス領域における最初の研究である。
提案手法の有効性を示すために, 4つのデータセットの実験結果を示した。
関連論文リスト
- Semi-Parametric Retrieval via Binary Token Index [71.78109794895065]
Semi-parametric Vocabulary Disentangled Retrieval (SVDR) は、新しい半パラメトリック検索フレームワークである。
既存のニューラル検索手法に似た、高い有効性のための埋め込みベースのインデックスと、従来の用語ベースの検索に似た、迅速かつ費用対効果の高いセットアップを可能にするバイナリトークンインデックスの2つのタイプをサポートする。
埋め込みベースインデックスを使用する場合の高密度検索器DPRよりも3%高いトップ1検索精度と、バイナリトークンインデックスを使用する場合のBM25よりも9%高いトップ1検索精度を実現する。
論文 参考訳(メタデータ) (2024-05-03T08:34:13Z) - Compact Neural Graphics Primitives with Learned Hash Probing [100.07267906666293]
学習したプローブを持つハッシュテーブルにはデメリットはなく,その結果,サイズと速度の組合せが好適であることを示す。
推論は、トレーニングが1.2-2.6倍遅い間、同じ品質で未処理のハッシュテーブルよりも高速である。
論文 参考訳(メタデータ) (2023-12-28T18:58:45Z) - NFL: Robust Learned Index via Distribution Transformation [14.812854942243503]
本稿では、学習インデックスを構築する前に、鍵にテキスト分布変換を適用することで近似問題に取り組む。
2段階の正規化フローベース学習インデックスフレームワーク (NFL) が提案され、最初に元の複雑な鍵分布をほぼ一様に変換し、次に変換された鍵を利用する学習インデックスを構築する。
変換キーの特性に基づいて、ロバストなアフターフロー学習指標(AFLI)を提案する。
論文 参考訳(メタデータ) (2022-05-24T06:03:19Z) - Toward Accurate and Reliable Iris Segmentation Using Uncertainty
Learning [96.72850130126294]
高精度で信頼性の高いアイリスセグメンテーションのためのアイリスU変換器(アイリスUsformer)を提案する。
IrisUsformerの精度向上のために,位置感応操作と再パッケージング変圧器ブロックを採用することで精巧に設計する。
IrisUsformer は SOTA IrisParseNet の 35% MAC を用いて, セグメンテーション精度の向上を図っている。
論文 参考訳(メタデータ) (2021-10-20T01:37:19Z) - A Semantic Indexing Structure for Image Retrieval [9.889773269004241]
セマンティックインデックス構造(SIS)と呼ばれる新しい分類に基づくインデックス構造を提案する。
SISはクラスタリングセンタではなくセマンティックカテゴリを使用して、データベースパーティションを生成する。
SISは最先端のモデルと比較して優れたパフォーマンスを実現している。
論文 参考訳(メタデータ) (2021-09-14T11:12:30Z) - Web image search engine based on LSH index and CNN Resnet50 [0.0]
そこで我々は、CBIRシステムを実装するためにLocality Sensitive Hashing(LSH)インデックスを採用した。
具体的には、画像から深い特徴を抽出するために転送学習技術を利用する。
次に、前述の2つのCNNの上に構築された、完全に接続されたディープニューラルネットワークを試す。
論文 参考訳(メタデータ) (2021-08-20T14:43:41Z) - The Case for Learned Spatial Indexes [62.88514422115702]
我々は、空間範囲の問合せに答えるために、最先端の学習した多次元インデックス構造(すなわちFlood)から提案した手法を用いる。
i) パーティション内の機械学習検索は、1次元でフィルタリングを使用する場合の2進探索よりも11.79%速く、39.51%高速であることを示す。
また、2次元でフィルタする最も近い競合相手の1.23倍から1.83倍の速さで機械学習インデックスを精査する。
論文 参考訳(メタデータ) (2020-08-24T12:09:55Z) - Hierarchical Dynamic Filtering Network for RGB-D Salient Object
Detection [91.43066633305662]
RGB-D Salient Object Detection (SOD) の主な目的は、相互融合情報をよりよく統合し活用する方法である。
本稿では,これらの問題を新たな視点から考察する。
我々は、より柔軟で効率的なマルチスケールのクロスモーダルな特徴処理を実装している。
論文 参考訳(メタデータ) (2020-07-13T07:59:55Z) - Pairwise Supervised Hashing with Bernoulli Variational Auto-Encoder and
Self-Control Gradient Estimator [62.26981903551382]
バイナリ潜在変数を持つ変分自動エンコーダ(VAE)は、文書検索の精度の観点から最先端のパフォーマンスを提供する。
本稿では、クラス内類似度とクラス間類似度に報いるために、個別潜伏型VAEを用いたペアワイズ損失関数を提案する。
この新しいセマンティックハッシュフレームワークは、最先端技術よりも優れたパフォーマンスを実現する。
論文 参考訳(メタデータ) (2020-05-21T06:11:33Z)
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。