論文の概要: An Unsupervised Deep-Learning Method for Fingerprint Classification: the
CCAE Network and the Hybrid Clustering Strategy
- arxiv url: http://arxiv.org/abs/2109.05526v1
- Date: Sun, 12 Sep 2021 14:35:59 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-16 12:39:18.989269
- Title: An Unsupervised Deep-Learning Method for Fingerprint Classification: the
CCAE Network and the Hybrid Clustering Strategy
- Title(参考訳): 指紋分類のための教師なしディープラーニング手法:CCAEネットワークとハイブリッドクラスタリング戦略
- Authors: Yue-Jie Hou, Zai-Xin Xie, Jian-Hu, Yao-Shen, and Chi-Chun Zhou
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 2.370553892492642
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The fingerprint classification is an important and effective method to
quicken the process and improve the accuracy in the fingerprint matching
process. Conventional supervised methods need a large amount of pre-labeled
data and thus consume immense human resources. In this paper, we propose a new
and efficient unsupervised deep learning method that can extract fingerprint
features and classify fingerprint patterns automatically. In this approach, a
new model named constraint convolutional auto-encoder (CCAE) is used to extract
fingerprint features and a hybrid clustering strategy is applied to obtain the
final clusters. A set of experiments in the NIST-DB4 dataset shows that the
proposed unsupervised method exhibits the efficient performance on fingerprint
classification. For example, the CCAE achieves an accuracy of 97.3% on only
1000 unlabeled fingerprints in the NIST-DB4.
- Abstract(参考訳): 指紋分類は, 指紋照合プロセスの迅速化と精度向上のために重要かつ効果的な手法である。
従来の教師付き手法は大量の事前ラベル付きデータを必要とし、そのため膨大な人的資源を消費する。
本稿では,指紋の特徴を抽出し,自動的に指紋パターンを分類できる,効率的で教師なしの深層学習手法を提案する。
本手法では,制約畳み込み自動エンコーダ(CCAE)と呼ばれる新しいモデルを用いて指紋の特徴を抽出し,最終的なクラスタを得るためのハイブリッドクラスタリング戦略を適用する。
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。
例えば、CCAEはNIST-DB4の1000個の未ラベル指紋に対して97.3%の精度を達成している。
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) - GCC: Generative Calibration Clustering [55.44944397168619]
本稿では,特徴学習と拡張をクラスタリングに組み込む新しいGCC法を提案する。
まず,実検体と実検体間の固有関係を識別する識別的特徴アライメント機構を開発する。
第二に、より信頼性の高いクラスタ割り当てを生成するための自己教師付きメトリック学習を設計する。
論文 参考訳(メタデータ) (2024-04-14T01:51:11Z) - Generalized Category Discovery with Clustering Assignment Consistency [56.92546133591019]
一般化圏発見(GCD)は、最近提案されたオープンワールドタスクである。
クラスタリングの一貫性を促進するための協調学習ベースのフレームワークを提案する。
提案手法は,3つの総合的なベンチマークと3つのきめ細かい視覚認識データセット上での最先端性能を実現する。
論文 参考訳(メタデータ) (2023-10-30T00:32:47Z) - DyFFPAD: Dynamic Fusion of Convolutional and Handcrafted Features for Fingerprint Presentation Attack Detection [1.9573380763700712]
ユーザの指紋を同意の有無にかかわらず偽造することにより、提示攻撃を行うことができる。
本稿では,プレゼンテーションアタックを検出するために,深層CNNと手作り特徴の動的アンサンブルを提案する。
提案手法をLiveness Detection Competitionからベンチマークデータベース上で検証した。
論文 参考訳(メタデータ) (2023-08-19T13:46:49Z) - 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) - 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) - ProxyFAUG: Proximity-based Fingerprint Augmentation [81.15016852963676]
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。
論文 参考訳(メタデータ) (2021-02-04T15:59:30Z) - 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) - Latent Fingerprint Registration via Matching Densely Sampled Points [100.53031290339483]
既存の潜伏指紋登録手法は、主にミツバチ間の対応を確立することに基づいている。
本研究では,一対の指紋間の空間的変換を推定する,最小限の潜伏指紋登録手法を提案する。
提案手法は,特に挑戦的な条件下で,最先端の登録性能を実現する。
論文 参考訳(メタデータ) (2020-05-12T15:51:59Z)
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。