論文の概要: ProxyFAUG: Proximity-based Fingerprint Augmentation
- arxiv url: http://arxiv.org/abs/2102.02706v1
- Date: Thu, 4 Feb 2021 15:59:30 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-05 20:39:54.157221
- Title: ProxyFAUG: Proximity-based Fingerprint Augmentation
- Title（参考訳）: ProxyFAUG: Proximity-based Fingerprint Augmentation
- Authors: Grigorios G. Anagnostopoulos and Alexandros Kalousis
- Abstract要約: ProxyFAUGはルールベースで近接性に基づく指紋増強法である。
このデータセット上で最高のパフォーマンスの測位法は、中央値エラーで40%改善され、平均誤差で6%向上した。
- 参考スコア（独自算出の注目度）: 81.15016852963676
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The proliferation of data-demanding machine learning methods has brought to
light the necessity for methodologies which can enlarge the size of training
datasets, with simple, rule-based methods. In-line with this concept, the
fingerprint augmentation scheme proposed in this work aims to augment
fingerprint datasets which are used to train positioning models. The proposed
method utilizes fingerprints which are recorded in spacial proximity, in order
to perform fingerprint augmentation, creating new fingerprints which combine
the features of the original ones. The proposed method of composing the new,
augmented fingerprints is inspired by the crossover and mutation operators of
genetic algorithms. The ProxyFAUG method aims to improve the achievable
positioning accuracy of fingerprint datasets, by introducing a rule-based,
stochastic, proximity-based method of fingerprint augmentation. The performance
of ProxyFAUG is evaluated in an outdoor Sigfox setting using a public dataset.
The best performing published positioning method on this dataset is improved by
40% in terms of median error and 6% in terms of mean error, with the use of the
augmented dataset. The analysis of the results indicate a systematic and
significant performance improvement at the lower error quartiles, as indicated
by the impressive improvement of the median error.
- Abstract（参考訳）: データ要求機械学習手法の普及により、単純なルールベースの手法でトレーニングデータセットのサイズを拡大できる方法論の必要性が明らかになった。
本研究で提案する指紋強調法は、この概念に沿って、位置決めモデルのトレーニングに使用される指紋データセットを強化することを目的とする。
提案手法では, 空間近接で記録された指紋を利用して指紋増強を行い, 元の指紋の特徴を組み合わせた新しい指紋を作成する。
新しい拡張指紋を構成する提案された方法は、遺伝的アルゴリズムのクロスオーバーおよび突然変異演算子に触発される。
ProxyFAUG法は, 規則に基づく, 確率的, 近接性に基づく指紋強調法を導入することにより, 指紋データセットの達成可能な位置決め精度を向上させることを目的としている。
ProxyFAUGの性能は、公開データセットを用いて屋外のSigfox設定で評価される。
このデータセットのベストパフォーマンスの公開ポジショニング方法は、拡張データセットを使用して、平均誤差の点では40%、平均誤差の点では6%改善されます。
結果の分析は、中央値誤差の印象的な改善によって示されるように、より低い誤差四重項で体系的かつ有意な性能改善を示す。
関連論文リスト
- Latent fingerprint enhancement for accurate minutiae detection [8.996826918574463]
本稿では,GAN(Generative Adversary Network)を用いてLFE(Latent Fingerprint Enhancement)を再定義する手法を提案する。
生成過程の微妙な情報を直接最適化することにより、このモデルは、地味な事例に対して例外的な忠実さを示す強化された潜伏指紋を生成する。
筆者らのフレームワークは, 微小な位置と配向場を統合し, 局所的および構造的指紋の特徴の保存を確実にする。
論文 参考訳（メタデータ） (2024-09-18T08:35:31Z) - Unbalanced Fingerprint Classification for Hybrid Fingerprint Orientation Maps [1.6229112905195138]
本研究は,乾燥,標準,湿潤の早期に指紋を識別し,誤検出の原因を標的とした。
スキャン画像は,提案した特徴点と相関した明瞭度に基づいて分類される。
また,ニューラルネットワークに基づく分類手法よりも,新しい手法の方が優れていることがわかった。
論文 参考訳（メタデータ） (2024-09-01T16:53:02Z) - Fusion of Minutia Cylinder Codes and Minutia Patch Embeddings for Latent Fingerprint Recognition [1.534667887016089]
本稿では,潜伏指紋認識に対する融合型局所マッチング手法を提案する。
提案されたアプローチは、これらの手作り機能と、最近提案された深層ニューラルネットワークの組み込み機能を多段階融合アプローチに統合する。
論文 参考訳（メタデータ） (2024-03-24T14:29:41Z) - Cluster-level pseudo-labelling for source-free cross-domain facial
expression recognition [94.56304526014875]
表情認識のためのSFUDA法を提案する。
本手法は,自己教師付き事前学習を利用して,対象データから優れた特徴表現を学習する。
提案手法の有効性を4つの適応方式で検証し,FERに適用した場合,既存のSFUDA法より一貫して優れていることを示す。
論文 参考訳（メタデータ） (2022-10-11T08:24:50Z) - 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) - Invariance Learning in Deep Neural Networks with Differentiable Laplace
Approximations [76.82124752950148]
我々はデータ拡張を選択するための便利な勾配法を開発した。
我々はKronecker-factored Laplace近似を我々の目的とする限界確率に近似する。
論文 参考訳（メタデータ） (2022-02-22T02:51:11Z) - Weakly Supervised Change Detection Using Guided Anisotropic Difusion [97.43170678509478]
我々は、このようなデータセットを変更検出の文脈で活用するのに役立つ独自のアイデアを提案する。
まず,意味的セグメンテーション結果を改善する誘導異方性拡散(GAD)アルゴリズムを提案する。
次に、変化検出に適した2つの弱い教師付き学習戦略の可能性を示す。
論文 参考訳（メタデータ） (2021-12-31T10:03:47Z) - An Unsupervised Deep-Learning Method for Fingerprint Classification: the
CCAE Network and the Hybrid Clustering Strategy [2.370553892492642]
本稿では, 指紋の特徴を抽出し, 指紋パターンを自動的に分類する, 効率的で効率的な非教師付きディープラーニング手法を提案する。
NIST-DB4データセットの一連の実験により、提案手法は指紋分類における効率的な性能を示すことが示された。
論文 参考訳（メタデータ） (2021-09-12T14:35:59Z) - 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) - Heuristic Semi-Supervised Learning for Graph Generation Inspired by
Electoral College [80.67842220664231]
本稿では,新たなノードやエッジを自動的に拡張して,高密度サブグラフ内のラベル類似性を向上する,新しい前処理手法であるElectoral College(ELCO)を提案する。
テストされたすべての設定において、我々の手法はベースモデルの平均スコアを4.7ポイントの広いマージンで引き上げるとともに、常に最先端のモデルよりも優れています。
論文 参考訳（メタデータ） (2020-06-10T14:48:48Z)
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。