論文の概要: Touchless Palmprint Recognition based on 3D Gabor Template and Block Feature Refinement

• arxiv url: http://arxiv.org/abs/2103.02167v1
• Date: Wed, 3 Mar 2021 04:22:24 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-04 15:11:17.114901
• Title: Touchless Palmprint Recognition based on 3D Gabor Template and Block Feature Refinement
• Title（参考訳）: 3次元ガバーテンプレートとブロック特徴化に基づくタッチレスパームプリント認識
• Authors: Zhaoqun Li, Xu Liang, Dandan Fan, Jinxing Li, Wei Jia, David Zhang
• Abstract要約: 1167名から2334個のパームを含む大規模なタッチレスパームプリントデータセットを構築します。 われわれの知る限り、これは史上最大の接触なしヤシプリント画像ベンチマークである。 タッチレスパームプリント認識のための新しい深層学習フレームワーク3DCPNを提案する。
• 参考スコア（独自算出の注目度）: 28.991303988737503
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: With the growing demand for hand hygiene and convenience of use, palmprint recognition with touchless manner made a great development recently, providing an effective solution for person identification. Despite many efforts that have been devoted to this area, it is still uncertain about the discriminative ability of the contactless palmprint, especially for large-scale datasets. To tackle the problem, in this paper, we build a large-scale touchless palmprint dataset containing 2334 palms from 1167 individuals. To our best knowledge, it is the largest contactless palmprint image benchmark ever collected with regard to the number of individuals and palms. Besides, we propose a novel deep learning framework for touchless palmprint recognition named 3DCPN (3D Convolution Palmprint recognition Network) which leverages 3D convolution to dynamically integrate multiple Gabor features. In 3DCPN, a novel variant of Gabor filter is embedded into the first layer for enhancement of curve feature extraction. With a well-designed ensemble scheme,low-level 3D features are then convolved to extract high-level features. Finally on the top, we set a region-based loss function to strengthen the discriminative ability of both global and local descriptors. To demonstrate the superiority of our method, extensive experiments are conducted on our dataset and other popular databases TongJi and IITD, where the results show the proposed 3DCPN achieves state-of-the-art or comparable performances.
• Abstract（参考訳）: 手の衛生や使いやすさの需要が高まる中、手の触れない手のひら文字認識は近年大きな発展を遂げ、個人識別に有効なソリューションとなった。 この領域に多くの努力が注がれているが、接触のないヤシプリントの識別能力、特に大規模データセットについてはまだ不明である。 そこで本論文では,1167名から2334名のパームを含む大規模タッチレスパームプリントデータセットを構築した。 私達の最良の知識に、それは個人および手のひらの数に関して集められる最も大きい接触のない手のひらのイメージのベンチマークです。 さらに,3Dコンボリューションを利用した3DCPN(3D Convolution Palmprint Recognition Network)という,タッチレスパームプリント認識のための新しいディープラーニングフレームワークを提案する。 3DCPNでは、曲線特徴抽出の強化のために、Gaborフィルタの新たな変種を第1層に埋め込む。 うまく設計されたアンサンブル方式により、低レベルな3d機能を畳み込み、高レベルな特徴を抽出する。 最後に,グローバルディスクリプタとローカルディスクリプタの両方の識別能力を強化するために,リージョンベースの損失関数を設定した。 提案手法の優位性を示すため,我々のデータセットやTongJi,IITDなどの人気データベース上で大規模な実験を行い,提案した3DCPNが最先端または同等の性能を達成することを示す。

関連論文リスト

• Cross-Chirality Palmprint Verification: Left is Right for the Right Palmprint [11.388567430575783]
  本稿では,従来のパームプリント検証システムにおける従来の知恵に挑戦する,新しいCCPVフレームワークを提案する。 通常、左右両方のヤシプリントを保存する必要がある既存の方法とは異なり、本手法では、ヤシプリントテンプレートを1つだけ保存しながら、ヤシプリントを使用することが可能である。
  論文  参考訳（メタデータ） (2024-09-19T19:10:21Z)
• WiLoR: End-to-end 3D Hand Localization and Reconstruction in-the-wild [53.288327629960364]
  野生における効率的なマルチハンド再構築のためのデータ駆動パイプラインを提案する。 提案するパイプラインは、リアルタイム完全畳み込みハンドローカライゼーションと、高忠実度トランスフォーマーに基づく3Dハンド再構成モデルという2つのコンポーネントで構成されている。 提案手法は, 一般的な2次元および3次元のベンチマークにおいて, 効率と精度の両方において, 従来の手法よりも優れていた。
  論文  参考訳（メタデータ） (2024-09-18T18:46:51Z)
• HandBooster: Boosting 3D Hand-Mesh Reconstruction by Conditional Synthesis and Sampling of Hand-Object Interactions [68.28684509445529]
  HandBoosterは、データの多様性を向上し、3Dハンド・ミーシュ・リコンストラクションのパフォーマンスを向上する新しいアプローチである。 まず,多様な手やポーズ,ビュー,背景を持つリアルな画像を生成するために,拡散モデルを誘導する多目的コンテンツ認識条件を構築した。 そこで我々は,我々の類似性を考慮した分布サンプリング戦略に基づく新しい条件作成手法を設計し,トレーニングセットとは異なる,斬新で現実的なインタラクションのポーズを意図的に見つける。
  論文  参考訳（メタデータ） (2024-03-27T13:56:08Z)
• Mobile Contactless Palmprint Recognition: Use of Multiscale, Multimodel Embeddings [26.774583290826193]
  本研究では、視覚変換器(ViT)と畳み込みニューラルネットワーク(CNN)を統合し、補完的な局所的特徴とグローバル的特徴を抽出する。 次に、Palm-IDと呼ばれる、モバイルベースのエンドツーエンドのパームプリント認識システムを開発する。 Palm-IDは精度とレイテンシのトレードオフをバランスさせ、サイズ516バイトのテンプレートを抽出するのに18msしか必要としない。
  論文  参考訳（メタデータ） (2024-01-16T04:42:54Z)
• Advancing 3D finger knuckle recognition via deep feature learning [51.871256510747465]
  接触のない3Dフィンガーナックルパターンは、識別性、距離からの視認性、利便性、利便性により、効果的な生体認証として出現している。 近年、ディープニューラルネットワークの中間機能を複数のスケールで同時に組み込むディープ・フィーチャー・コラボレーティブ・ネットワークが開発されている。 本稿では,3次元指のナックル画像を表現するために,最小次元の識別特徴ベクトルを学習する可能性を検討することにより,本手法を推し進める。
  論文  参考訳（メタデータ） (2023-01-07T20:55:16Z)
• Geometric Synthesis: A Free lunch for Large-scale Palmprint Recognition Model Pretraining [27.81138870690135]
  パラメータ化されたB'ezier曲線を持つパーマークリーゼを表す直観的幾何学モデルを導入する。 B'ezierパラメータをランダムにサンプリングすることで、多様なアイデンティティの大規模なトレーニングサンプルを合成できる。 実験結果から, 合成事前学習モデルは非常に強力な一般化能力を有することが示された。
  論文  参考訳（メタデータ） (2022-03-11T01:20:22Z)
• HandFoldingNet: A 3D Hand Pose Estimation Network Using Multiscale-Feature Guided Folding of a 2D Hand Skeleton [4.1954750695245835]
  本稿では,高精度かつ効率的なポーズ推定器であるHandFoldingNetを提案する。 提案モデルでは, 折り畳み型デコーダを用いて, 与えられた2次元手骨を対応する関節座標に折り畳む。 実験結果から,提案モデルが既存の手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2021-08-12T05:52:44Z)
• HandVoxNet++: 3D Hand Shape and Pose Estimation using Voxel-Based Neural Networks [71.09275975580009]
  HandVoxNet++は、完全に教師された方法でトレーニングされた3Dおよびグラフ畳み込みを備えた、ボクセルベースのディープネットワークである。 HandVoxNet++は2つの手形状表現に依存している。1つは手形状の3Dボキセル化グリッドで、メッシュトポロジを保存していない。 我々は、新しいニューラルグラフ畳み込みに基づくメッシュレジストレーション(GCN-MeshReg)または古典的セグメントワイド非リジッド重力法(NRGA++)と、手表面をボキセル化ハンド形状に整列させることにより、両表現の利点を組み合わせる。
  論文  参考訳（メタデータ） (2021-07-02T17:59:54Z)
• Towards Efficient Unconstrained Palmprint Recognition via Deep Distillation Hashing [28.36096948563473]
  効率的なパームプリント認識のためのベンチマークとして、ディープ蒸留ハッシュ (DDH) が提案されている。 パームプリント識別の精度は最大11.37%向上し、パームプリント検証のEER(Equal Error Rate)は最大3.11%削減できる。
  論文  参考訳（メタデータ） (2020-04-07T12:15:04Z)
• Towards Palmprint Verification On Smartphones [62.279124220123286]
  過去20年間の研究によると、ヤシの印刷物は独特性と永続性に優れた効果がある。 我々はスマートフォン用のDeepMPV+というDCNNベースのパームプリント検証システムを構築した。 DeepMPV+の効率と有効性は広範な実験によって裏付けられている。
  論文  参考訳（メタデータ） (2020-03-30T08:31:03Z)
• D3Feat: Joint Learning of Dense Detection and Description of 3D Local Features [51.04841465193678]
  私たちは3Dポイントクラウドに3D完全畳み込みネットワークを活用しています。 本稿では,3次元点ごとに検出スコアと記述特徴の両方を密に予測する,新しい,実践的な学習機構を提案する。 本手法は,屋内と屋外の両方のシナリオで最先端の手法を実現する。
  論文  参考訳（メタデータ） (2020-03-06T12:51:09Z)

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。