論文の概要: Super-resolution Guided Pore Detection for Fingerprint Recognition
- arxiv url: http://arxiv.org/abs/2012.05959v1
- Date: Thu, 10 Dec 2020 20:30:56 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-15 06:11:48.941615
- Title: Super-resolution Guided Pore Detection for Fingerprint Recognition
- Title（参考訳）: 指紋認識のための超解像誘導細孔検出
- Authors: Syeda Nyma Ferdous, Ali Dabouei, Jeremy Dawson, Nasser M Nasrabadi
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 22.146795282680667
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Performance of fingerprint recognition algorithms substantially rely on fine
features extracted from fingerprints. Apart from minutiae and ridge patterns,
pore features have proven to be usable for fingerprint recognition. Although
features from minutiae and ridge patterns are quite attainable from
low-resolution images, using pore features is practical only if the fingerprint
image is of high resolution which necessitates a model that enhances the image
quality of the conventional 500 ppi legacy fingerprints preserving the fine
details. To find a solution for recovering pore information from low-resolution
fingerprints, we adopt a joint learning-based approach that combines both
super-resolution and pore detection networks. Our modified single image
Super-Resolution Generative Adversarial Network (SRGAN) framework helps to
reliably reconstruct high-resolution fingerprint samples from low-resolution
ones assisting the pore detection network to identify pores with a high
accuracy. The network jointly learns a distinctive feature representation from
a real low-resolution fingerprint sample and successfully synthesizes a
high-resolution sample from it. To add discriminative information and
uniqueness for all the subjects, we have integrated features extracted from a
deep fingerprint verifier with the SRGAN quality discriminator. We also add
ridge reconstruction loss, utilizing ridge patterns to make the best use of
extracted features. Our proposed method solves the recognition problem by
improving the quality of fingerprint images. High recognition accuracy of the
synthesized samples that is close to the accuracy achieved using the original
high-resolution images validate the effectiveness of our proposed model.
- Abstract（参考訳）: 指紋認識アルゴリズムの性能は、指紋から抽出した細かな特徴に依存する。
マイナスのパターンとリッジパターンは別として、細孔の特徴は指紋認識に有用であることが証明されている。
微視的特徴や隆起的特徴は低解像度画像からかなり得ることができるが, 細部を保存した従来の500ppiレガシ指紋の画質向上モデルを必要とする高解像度の指紋画像の場合のみ, 細孔的特徴を用いることができる。
低解像度指紋から細孔情報を復元するソリューションを見つけるために,超高解像度と細孔検出ネットワークを組み合わせた共同学習方式を採用する。
修正したsrgan(single image super- resolution generative adversarial network)フレームワークは,細孔検出ネットワークを補助する低解像度の指紋から高精度に高分解能の指紋サンプルを再構成し,高精度に細孔を同定する。
ネットワークは、実際の低解像度指紋サンプルから特徴的特徴表現を共同で学習し、それから高解像度サンプルをうまく合成する。
全被験者に識別情報と一意性を加えるため,srgan quality discriminatorを用いた深部指紋検査装置から抽出した特徴を統合した。
また,抽出した特徴を最大限活用するために,隆起パターンを利用した隆起再建損失も加えた。
提案手法は,指紋画像の品質向上により認識問題を解決する。
オリジナル高分解能画像を用いて得られた精度に近い合成試料の高認識精度は,提案モデルの有効性を検証した。
関連論文リスト
- A Robust Algorithm for Contactless Fingerprint Enhancement and Matching [7.820996917431323]
接触のない指紋画像には 4つの特徴があります
ノイズが少なく、リッジパターンの不連続も少なく、相互運用性の問題を引き起こす。
そこで本研究では,無接触指紋識別ソリューションを提案する。
論文 参考訳（メタデータ） (2024-08-18T10:01:42Z) - DeepFidelity: Perceptual Forgery Fidelity Assessment for Deepfake
Detection [67.3143177137102]
ディープフェイク検出(Deepfake detection)とは、画像やビデオにおいて、人工的に生成された顔や編集された顔を検出すること。
本稿では,実顔と偽顔とを適応的に識別するDeepFidelityという新しいDeepfake検出フレームワークを提案する。
論文 参考訳（メタデータ） (2023-12-07T07:19:45Z) - RFDforFin: Robust Deep Forgery Detection for GAN-generated Fingerprint
Images [45.73061833269094]
本稿では,GAN生成画像の独自の隆起特性と生成アーティファクトを組み合わせた指紋画像に対する最初の深部偽造検出手法を提案する。
提案手法は,低複雑性で有効かつ堅牢である。
論文 参考訳（メタデータ） (2023-08-18T04:05:18Z) - Cross-resolution Face Recognition via Identity-Preserving Network and
Knowledge Distillation [12.090322373964124]
クロスレゾリューション顔認識は、現代の深層顔認識システムにとって難しい問題である。
本稿では,低分解能画像の低周波成分に蓄積される識別情報にネットワークを集中させる新しい手法を提案する。
論文 参考訳（メタデータ） (2023-03-15T14:52:46Z) - 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 Effects of Image Quality Degradation on Minutiae- and Ridge-Based
Automatic Fingerprint Recognition [61.81926091202142]
画像品質の異なるミツイア情報とリッジ情報に基づく2つの指紋照合器の性能について検討した。
リッジベースシステムは、多くの異なる画像品質基準のために、ミヌチアベースシステムよりも画像品質劣化に対してより堅牢であることが判明した。
論文 参考訳（メタデータ） (2022-07-12T10:28:36Z) - Fingerprint Liveness Detection Based on Quality Measures [66.76480178498315]
新たな特徴セットは、完全なライブネス検出システムで使用され、LivDETコンペティションの開発セットでテストされている。
提案手法はマルチセンサのシナリオに対して堅牢であることが証明され、全体の93%が正しく分類されたサンプルである。
論文 参考訳（メタデータ） (2022-07-11T12:15:27Z) - A Comparative Study of Fingerprint Image-Quality Estimation Methods [54.84936551037727]
画質の悪い画像は、突発的で欠落した特徴をもたらし、システム全体の性能を低下させる。
本稿では,指紋画像品質評価のための既存手法について概説する。
また,指紋画像品質推定アルゴリズムの選定も行った。
論文 参考訳（メタデータ） (2021-11-14T19:53:12Z) - A high performance fingerprint liveness detection method based on
quality related features [66.41574316136379]
このシステムは、10,500枚以上の実画像と偽画像からなる非常に難しいデータベースでテストされている。
提案手法はマルチシナリオデータセットに対して堅牢であることが証明され、全体の90%が正しく分類されたサンプルである。
論文 参考訳（メタデータ） (2021-11-02T21:09:39Z) - 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) - Multi Scale Identity-Preserving Image-to-Image Translation Network for
Low-Resolution Face Recognition [7.6702700993064115]
本稿では,画像から画像へ変換する深層ニューラルネットワークを提案する。
アイデンティティ関連の情報を保存しながら、非常に低解像度の顔を高解像度の顔に超解き放つことができる。
論文 参考訳（メタデータ） (2020-10-23T09:21:06Z)
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。