論文の概要: Toward Accurate and Reliable Iris Segmentation Using Uncertainty Learning

• arxiv url: http://arxiv.org/abs/2110.10334v1
• Date: Wed, 20 Oct 2021 01:37:19 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-22 16:07:59.261674
• Title: Toward Accurate and Reliable Iris Segmentation Using Uncertainty Learning
• Title（参考訳）: 不確実性学習を用いた高精度で信頼性の高いアイリスセグメンテーションに向けて
• Authors: Jianze Wei, Huaibo Huang, Muyi Sun, Ran He, Zhenan Sun
• Abstract要約: 高精度で信頼性の高いアイリスセグメンテーションのためのアイリスU変換器(アイリスUsformer)を提案する。 IrisUsformerの精度向上のために,位置感応操作と再パッケージング変圧器ブロックを採用することで精巧に設計する。 IrisUsformer は SOTA IrisParseNet の 35% MAC を用いて, セグメンテーション精度の向上を図っている。
• 参考スコア（独自算出の注目度）: 96.72850130126294
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: As an upstream task of iris recognition, iris segmentation plays a vital role in multiple subsequent tasks, including localization and matching. A slight bias in iris segmentation often results in obvious performance degradation of the iris recognition system. In the paper, we propose an Iris U-transformer (IrisUsformer) for accurate and reliable iris segmentation. For better accuracy, we elaborately design IrisUsformer by adopting position-sensitive operation and re-packaging transformer block to raise the spatial perception ability of the model. For better reliability, IrisUsformer utilizes an auxiliary head to distinguishes the high- and low-uncertainty regions of segmentation predictions and then adopts a weighting scheme to guide model optimization. Experimental results on three publicly available databases demonstrate that IrisUsformer achieves better segmentation accuracy using 35% MACs of the SOTA IrisParseNet. More importantly, our method estimates the uncertainty map corresponding to the segmentation prediction for subsequent processing in iris recognition systems.
• Abstract（参考訳）: iris認識の上流タスクとして、irisのセグメンテーションは、ローカライゼーションやマッチングなど、その後の複数のタスクにおいて重要な役割を果たす。 アイリスセグメンテーションのわずかなバイアスは、しばしばアイリス認識システムの明らかな性能低下をもたらす。 本稿では,Iris U-transformer (IrisUsformer) を提案する。 IrisUsformerを精度良く設計するために、位置感応操作と再パッケージング・トランスフォーマーブロックを採用し、モデルの空間知覚能力を高める。 信頼性を向上させるため、IrisUsformerは補助ヘッドを使用してセグメンテーション予測の高域と低域を区別し、モデルの最適化を導く重み付け方式を採用する。 3つの公開データベースの実験結果は、IrisUsformerがSOTA IrisParseNetの35%のMACを使用してより良いセグメンテーション精度を達成することを示した。 さらに重要なことは、虹彩認識システムにおけるその後の処理のセグメンテーション予測に対応する不確実性マップを推定することである。

関連論文リスト

• Iris-SAM: Iris Segmentation Using a Foundation Model [10.902536447343465]
  基礎モデルviz., Segment Anything Model (SAM) から画素レベルの虹彩分割モデルを開発する。 この研究の主な貢献は、眼画像上のSAMの微調整中に異なる損失関数を統合することである。 ND-IRIS-0405、CASIA-Iris-Interval-v3、IIT-Delhi-Irisデータセットの実験は、虹彩セグメンテーションのタスクに対する訓練されたモデルの有効性を伝達する。
  論文  参考訳（メタデータ） (2024-02-09T16:08:16Z)
• Artificial Pupil Dilation for Data Augmentation in Iris Semantic Segmentation [0.0]
  現代の虹彩認識のアプローチでは、深層学習を用いて虹彩の有効部分を眼の他の部分から切り離す。 本稿では,新しいデータ拡張手法を導入することにより,虹彩意味分節システムの精度を向上させることを目的とする。
  論文  参考訳（メタデータ） (2022-12-24T13:31:56Z)
• Experimental analysis regarding the influence of iris segmentation on the recognition rate [64.02126624793775]
  著者らは, 土台真実に基づくセグメンテーション精度が, 虹彩生体計測ツールチェーン全体の性能予測に有効かどうかを検討する。
  論文  参考訳（メタデータ） (2022-11-10T11:59:51Z)
• Super-Resolution and Image Re-projection for Iris Recognition [67.42500312968455]
  異なるディープラーニングアプローチを用いた畳み込みニューラルネットワーク(CNN)は、解像度の低い画像から現実的なテクスチャときめ細かい詳細を復元しようとする。 本研究は、虹彩認識環境における虹彩超解法(SR)に対するこれらのアプローチの実現可能性について検討する。 その結果,CNNと画像再投影は,認識システムの精度向上に有効であることが示唆された。
  論文  参考訳（メタデータ） (2022-10-20T09:46:23Z)
• Segmentation-free Direct Iris Localization Networks [0.0]
  本稿では,アイリス分割と円環嵌合を用いない効率的なアイリス局所化法を提案する。 低分解能アイリス画像から瞳孔と虹彩円を直接局所化できる虹彩局在化ネットワーク(ILN)を提案する。 また,瞳孔局所化の精度を向上させるために,瞳孔微細化ネットワーク(PRN)を導入する。
  論文  参考訳（メタデータ） (2022-10-19T09:13:39Z)
• Direct attacks using fake images in iris verification [59.68607707427014]
  BioSecベースラインデータベースの実際のアイリスから偽アイリス画像のデータベースが作成されている。 本システムは直接攻撃に対して脆弱であることを示し,対策の重要性を指摘する。
  論文  参考訳（メタデータ） (2021-10-30T05:01:06Z)
• Iris Recognition Based on SIFT Features [63.07521951102555]
  アイリス画像の認識にはSIFT(Scale Invariant Feature Transformation)を用いる。 我々は、SIFT演算子を用いて、スケール空間における特徴SIFT特徴点を抽出し、特徴点周辺のテクスチャ情報に基づいてマッチングを行う。 また、SIFT手法と、極座標変換とLog-Gaborウェーブレットに基づく一般的なマッチング手法の相補性を示す。
  論文  参考訳（メタデータ） (2021-10-30T04:55:33Z)
• Adversarial Feature Augmentation and Normalization for Visual Recognition [109.6834687220478]
  最近のコンピュータビジョンの進歩は、分類モデルの一般化能力を改善するために、逆データ拡張を利用する。 本稿では,中間的特徴埋め込みにおける敵対的拡張を提唱する効率的かつ効率的な代替手法を提案する。 代表的なバックボーンネットワークを用いて,多様な視覚認識タスクにまたがる提案手法を検証する。
  論文  参考訳（メタデータ） (2021-03-22T20:36:34Z)
• On Benchmarking Iris Recognition within a Head-mounted Display for AR/VR Application [16.382021536377437]
  我々は、ヘッドマウントディスプレイ(HMD)に適した虹彩認識アルゴリズムのセットを評価する。 我々は最近開発されたミニチュアセグメンテーションモデル(EyeMMS)を用いて虹彩のセグメンテーションを行っている。 アイリス認識の性能に感銘を受けて,HMDにおける非協調的なキャプチャ設定において,ユーザの継続的な認証を提案する。
  論文  参考訳（メタデータ） (2020-10-20T17:05:11Z)
• Segmentation-Aware and Adaptive Iris Recognition [24.125681602124477]
  アイリス画像の品質は、アイリスマッチング精度を劣化させることが知られている。 眼周囲情報は本質的にそのような虹彩画像に埋め込まれており、そのような非理想的なシナリオ下で虹彩認識を支援するために利用することができる。 本稿では,より精度の低いアイリス認識のためのセグメンテーション支援適応フレームワークを提案する。
  論文  参考訳（メタデータ） (2019-12-31T04:31:37Z)

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。