論文の概要: EaZy Learning: An Adaptive Variant of Ensemble Learning for Fingerprint Liveness Detection

• arxiv url: http://arxiv.org/abs/2103.02207v1
• Date: Wed, 3 Mar 2021 06:40:19 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-04 15:01:21.425179
• Title: EaZy Learning: An Adaptive Variant of Ensemble Learning for Fingerprint Liveness Detection
• Title（参考訳）: EaZy Learning: 指紋のライブネス検出のためのアンサンブル学習の適応的バリアント
• Authors: Shivang Agarwal, C. Ravindranath Chowdary and Vivek Sourabh
• Abstract要約: 指紋の生存度検出機構は、データセット内環境では良好に機能するが、クロスセンサーおよびクロスデータセット設定下では不幸にも失敗する。 指紋スプーフ検出器の一般化能力、堅牢性、相互運用性を高めるために、学習モデルはデータに適応する必要がある。 本稿では,熱心学習と遅延学習の中間に適応できる汎用モデルであるEaZy学習を提案する。
• 参考スコア（独自算出の注目度）: 14.99677459192122
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In the field of biometrics, fingerprint recognition systems are vulnerable to presentation attacks made by artificially generated spoof fingerprints. Therefore, it is essential to perform liveness detection of a fingerprint before authenticating it. Fingerprint liveness detection mechanisms perform well under the within-dataset environment but fail miserably under cross-sensor (when tested on a fingerprint acquired by a new sensor) and cross-dataset (when trained on one dataset and tested on another) settings. To enhance the generalization abilities, robustness and the interoperability of the fingerprint spoof detectors, the learning models need to be adaptive towards the data. We propose a generic model, EaZy learning which can be considered as an adaptive midway between eager and lazy learning. We show the usefulness of this adaptivity under cross-sensor and cross-dataset environments. EaZy learning examines the properties intrinsic to the dataset while generating a pool of hypotheses. EaZy learning is similar to ensemble learning as it generates an ensemble of base classifiers and integrates them to make a prediction. Still, it differs in the way it generates the base classifiers. EaZy learning develops an ensemble of entirely disjoint base classifiers which has a beneficial influence on the diversity of the underlying ensemble. Also, it integrates the predictions made by these base classifiers based on their performance on the validation data. Experiments conducted on the standard high dimensional datasets LivDet 2011, LivDet 2013 and LivDet 2015 prove the efficacy of the model under cross-dataset and cross-sensor environments.
• Abstract（参考訳）: 生体認証の分野では、指紋認識システムは人工的に生成されたspoof指紋によるプレゼンテーション攻撃に対して脆弱である。 したがって、認証する前に指紋の活力検出を行うことが不可欠である。 指紋のライブネス検出メカニズムは、データセット内の環境下でうまく機能しますが、(新しいセンサーによって取得された指紋でテストされた場合)クロスセンサーおよび(あるデータセットでトレーニングされ、別のデータセットでテストされた場合)クロスデータセット設定下で誤って失敗します。 指紋スプーフ検出器の一般化能力、堅牢性、相互運用性を高めるために、学習モデルはデータに適応する必要がある。 本稿では,熱心学習と遅延学習の中間に適応できる汎用モデルであるEaZy学習を提案する。 クロスセンサおよびクロスデータセット環境下でのこの適応性の有用性を示す。 EaZy Learningは、仮説のプールを生成しながらデータセットに固有の特性を調べる。 eazy learningは、ベース分類器のアンサンブルを生成し、それらを統合して予測を行うアンサンブル学習に似ている。 それでも、ベース分類子の生成方法が異なります。 EaZy学習は、基礎となるアンサンブルの多様性に有益な影響を与える完全に非結合な基底分類器のアンサンブルを開発します。 また、検証データに対する性能に基づいて、これらのベース分類器による予測を統合する。 標準高次元データセットであるlivdet 2011, livdet 2013, livdet 2015の実験により、クロスデータセットおよびクロスセンサー環境におけるモデルの有効性が証明された。

関連論文リスト

• Downstream-Pretext Domain Knowledge Traceback for Active Learning [138.02530777915362]
  本稿では、下流知識と事前学習指導のデータ相互作用をトレースするダウンストリーム・プレテキスト・ドメイン知識トレース(DOKT)手法を提案する。 DOKTは、トレースバックの多様性指標とドメインベースの不確実性推定器から構成される。 10のデータセットで行った実験は、我々のモデルが他の最先端の手法よりも優れていることを示している。
  論文  参考訳（メタデータ） (2024-07-20T01:34:13Z)
• FPGAN-Control: A Controllable Fingerprint Generator for Training with Synthetic Data [7.203557048672379]
  画像生成フレームワークであるFPGAN-Controlについて述べる。 指紋の識別と外観特性の絡み合いを助長する新規な外観損失を導入する。 FPGAN-Controlのメリットを,アイデンティティレベル,外観制御の程度,合成ドメイン間ギャップの低さの観点から定量的かつ定性的に示す。
  論文  参考訳（メタデータ） (2023-10-29T14:30:01Z)
• Generalized Face Forgery Detection via Adaptive Learning for Pre-trained Vision Transformer [54.32283739486781]
  適応学習パラダイムの下で,textbfForgery-aware textbfAdaptive textbfVision textbfTransformer(FA-ViT)を提案する。 FA-ViTは、クロスデータセット評価において、Celeb-DFおよびDFDCデータセット上で93.83%と78.32%のAUCスコアを達成する。
  論文  参考訳（メタデータ） (2023-09-20T06:51:11Z)
• Domain Adaptive Synapse Detection with Weak Point Annotations [63.97144211520869]
  弱点アノテーションを用いたドメイン適応型シナプス検出のためのフレームワークであるAdaSynを提案する。 I SBI 2023のWASPSYNチャレンジでは、我々の手法が第1位にランクインした。
  論文  参考訳（メタデータ） (2023-08-31T05:05:53Z)
• Few-Shot Learning for Biometric Verification [2.3226893628361682]
  機械学習アプリケーションでは、できるだけ多くの情報を供給することが一般的である。ほとんどの場合、モデルはより正確に予測できる大規模なデータセットを扱うことができる。 本稿では,Few-Shot 学習手法による最先端のアキュラシーと比較し,バイオメトリックスデータの検証を行う,新しいエンドツーエンド軽量アーキテクチャを提案する。
  論文  参考訳（メタデータ） (2022-11-12T22:49:25Z)
• BeCAPTCHA-Type: Biometric Keystroke Data Generation for Improved Bot Detection [63.447493500066045]
  本研究では,キーストローク生体データ合成のためのデータ駆動学習モデルを提案する。 提案手法は,ユニバーサルモデルとユーザ依存モデルに基づく2つの統計的手法と比較する。 実験フレームワークでは16万件の被験者から1億3600万件のキーストロークイベントのデータセットについて検討している。
  論文  参考訳（メタデータ） (2022-07-27T09:26:15Z)
• AILearn: An Adaptive Incremental Learning Model for Spoof Fingerprint Detection [12.676356746752893]
  増分学習により、学習者は既存のモデルを再訓練することなく、新しい知識を学べる。 安定可塑性ジレンマを克服したインクリメンタル学習の汎用モデル AILearn を提案する。 提案したAILearnモデルがスポフ指紋検出アプリケーションに有効であることを実証する。
  論文  参考訳（メタデータ） (2020-12-29T07:26:37Z)
• Deep Active Learning in Remote Sensing for data efficient Change Detection [26.136331738529243]
  本研究では、変化検出とマップ更新のための深層ニューラルネットワークモデルの文脈におけるアクティブラーニングについて検討する。 アクティブな学習では、最小限のトレーニング例から始まり、ユーザによって注釈付けされた情報的サンプルを徐々に選択する。 能動学習は,高い情報的サンプルの発見に成功し,自動的にトレーニング分布のバランスをとることを示す。
  論文  参考訳（メタデータ） (2020-08-25T17:58:17Z)
• Feature Learning for Accelerometer based Gait Recognition [0.0]
  オートエンコーダは、特徴学習能力に関して、差別的なエンドツーエンドモデルに非常に近い。 完全な畳み込みモデルは 訓練戦略に関係なく 優れた特徴表現を学べます
  論文  参考訳（メタデータ） (2020-07-31T10:58:01Z)
• Omni-supervised Facial Expression Recognition via Distilled Data [120.11782405714234]
  ネットワークトレーニングにおいて,信頼度の高いサンプルを多量のラベルのないデータで活用するためのオムニ教師付き学習を提案する。 我々は,新しいデータセットが学習したFERモデルの能力を大幅に向上させることができることを実験的に検証した。 そこで本研究では,生成したデータセットを複数のクラスワイド画像に圧縮するために,データセット蒸留戦略を適用することを提案する。
  論文  参考訳（メタデータ） (2020-05-18T09:36:51Z)
• Stance Detection Benchmark: How Robust Is Your Stance Detection? [65.91772010586605]
  Stance Detection (StD) は、あるトピックやクレームに対する著者の姿勢を検出することを目的としている。 マルチデータセット学習環境において、さまざまなドメインの10のStDデータセットから学習するStDベンチマークを導入する。 このベンチマーク設定では、5つのデータセットに新しい最先端結果を表示することができます。
  論文  参考訳（メタデータ） (2020-01-06T13:37:51Z)

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。