Fugu-MT 論文翻訳(概要): KartalOl: Transfer learning using deep neural network for iris segmentation and localization: New dataset for iris segmentation

論文の概要: KartalOl: Transfer learning using deep neural network for iris segmentation and localization: New dataset for iris segmentation

arxiv url: http://arxiv.org/abs/2112.05236v1
Date: Thu, 9 Dec 2021 22:22:16 GMT
ステータス: 処理完了
システム内更新日: 2021-12-13 14:52:57.206223
Title: KartalOl: Transfer learning using deep neural network for iris segmentation and localization: New dataset for iris segmentation
Title（参考訳）: 深層ニューラルネットワークによる虹彩セグメンテーションと局所化のためのトランスファー学習:虹彩セグメンテーションのための新しいデータセット
Authors: Jalil Nourmohammadi Khiarak, Samaneh Salehi Nasab, Farhang Jaryani, Seyed Naeim Moafinejad, Rana Pourmohamad, Yasin Amini, Morteza Noshad
Abstract要約: トレーニング済みのMobileNetV2ディープニューラルネットワークを用いたU-Netを提案する。我々は、ImageNetデータセットにMobileNetV2で与えられたトレーニング済みウェイトを採用し、虹彩認識ドメイン上で微調整する。提案手法はカルタルOlデータセットに沿って,CASIA-Iris-Asia,CASIA-Iris-M1,CASIA-Iris-Africaで試験および訓練を行った。
参考スコア（独自算出の注目度）: 2.8785764686013833
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Iris segmentation and localization in unconstrained environments is challenging due to long distances, illumination variations, limited user cooperation, and moving subjects. To address this problem, we present a U-Net with a pre-trained MobileNetV2 deep neural network method. We employ the pre-trained weights given with MobileNetV2 for the ImageNet dataset and fine-tune it on the iris recognition and localization domain. Further, we have introduced a new dataset, called KartalOl, to better evaluate detectors in iris recognition scenarios. To provide domain adaptation, we fine-tune the MobileNetV2 model on the provided data for NIR-ISL 2021 from the CASIA-Iris-Asia, CASIA-Iris-M1, and CASIA-Iris-Africa and our dataset. We also augment the data by performing left-right flips, rotation, zoom, and brightness. We chose the binarization threshold for the binary masks by iterating over the images in the provided dataset. The proposed method is tested and trained in CASIA-Iris-Asia, CASIA-Iris-M1, CASIA-Iris-Africa, along the KartalOl dataset. The experimental results highlight that our method surpasses state-of-the-art methods on mobile-based benchmarks. The codes and evaluation results are publicly available at https://github.com/Jalilnkh/KartalOl-NIR-ISL2021031301.
Abstract（参考訳）: 非拘束環境における虹彩セグメンテーションと局所化は, 遠距離, 照明変動, ユーザ協力の制限, 被写体移動などにより困難である。この問題に対処するため,事前学習したMobileNetV2ディープニューラルネットワークを用いたU-Netを提案する。我々は、ImageNetデータセットにMobileNetV2で与えられたトレーニング済み重量を使い、虹彩認識およびローカライゼーションドメイン上で微調整する。さらに,虹彩認識シナリオにおける検出器の評価を改善するために,カルタロールと呼ばれる新しいデータセットを導入した。 CASIA-Iris-Asia, CASIA-Iris-M1, CASIA-Iris-Africaおよび我々のデータセットから得られたNIR-ISL 2021のデータに基づいてMobileNetV2モデルを微調整する。また、左右のフリップ、回転、ズーム、明るさでデータを増強します。得られたデータセットの画像を反復することで、バイナリマスクのバイナライゼーションしきい値を選択した。提案手法はカルタルオールデータセットに沿って,CASIA-Iris-Asia,CASIA-Iris-M1,CASIA-Iris-Africaで試験および訓練を行った。実験結果から,本手法はモバイルベンチマークの最先端手法を上回ることがわかった。コードと評価結果はhttps://github.com/Jalilnkh/KartalOl-NIR-ISL2021031301で公開されている。

関連論文リスト

Post-Mortem Human Iris Segmentation Analysis with Deep Learning [1.1470070927586018]
本稿では,被検者から収集した虹彩画像の分割を目的としたDeep Learning(DL)モデルを提示し,比較する。提案手法は, 死後の試料に固有の変形を効果的に学習し, 同定する。我々の知る限り, 本研究は, 死後虹彩分節に対するDLモデルの最も広範囲な評価を提供するものである。
論文参考訳（メタデータ） (2024-08-06T21:00:02Z)
LiteNeXt: A Novel Lightweight ConvMixer-based Model with Self-embedding Representation Parallel for Medical Image Segmentation [2.0901574458380403]
医用画像分割のための軽量だが効率的な新しいモデル LiteNeXt を提案する。 LiteNeXtは、少量のパラメータ (0.71M) とギガ浮動小数点演算 (0.42) でスクラッチから訓練されている。
論文参考訳（メタデータ） (2024-04-04T01:59:19Z)
Offline Writer Identification Using Convolutional Neural Network Activation Features [6.589323210821262]
畳み込みニューラルネットワーク(CNN)は、最近、大規模な画像分類のための最先端のツールとなっている。本研究では,CNNのアクティベーション機能を,ライター識別のためのローカル記述子として用いることを提案する。 ICDAR 2013ベンチマークデータベースとCVLデータセットの2つの公開データセットに対して,本手法の評価を行った。
論文参考訳（メタデータ） (2024-02-26T21:16:14Z)
Investigating Weight-Perturbed Deep Neural Networks With Application in Iris Presentation Attack Detection [11.209470024746683]
重みとバイアスパラメータに対する摂動に対するディープニューラルネットワークの感度を評価する。トレーニングを行なわずに、ネットワークのパラメータを摂動させることで、改良されたモデルを提案する。パラメータレベルのアンサンブルは、LivDet-Iris-2017データセットで43.58%、LivDet-Iris-2020データセットで9.25%の平均的な改善を示している。
論文参考訳（メタデータ） (2023-11-21T18:18:50Z)
Instance Segmentation under Occlusions via Location-aware Copy-Paste Data Augmentation [8.335108002480068]
MMSports 2023 DeepSportRadarは、バスケットボールのコンテキスト内での人間の対象のセグメンテーションに焦点を当てたデータセットを導入した。この課題は、堅牢なデータ拡張技術と賢明なディープラーニングアーキテクチャの適用を必要とする。我々の研究(コンペで1位)は、まず、より広い分布でより多くのトレーニングサンプルを生成することのできる、新しいデータ拡張技術を提案する。
論文参考訳（メタデータ） (2023-10-27T07:44:25Z)
$R^{2}$Former: Unified $R$etrieval and $R$eranking Transformer for Place Recognition [92.56937383283397]
検索と再ランクの両方を扱う統合された場所認識フレームワークを提案する。提案モジュールは特徴相関,注目値,xy座標を考慮に入れている。 R2$Formerは、主要なVPRデータセットの最先端メソッドを著しく上回る。
論文参考訳（メタデータ） (2023-04-06T23:19:32Z)
HPointLoc: Point-based Indoor Place Recognition using Synthetic RGB-D Images [58.720142291102135]
本稿では,屋内環境における視覚的位置認識能力の探索を目的とした,HPointLocという新しいデータセットを提案する。データセットは人気のあるHabitatシミュレータに基づいており、独自のセンサーデータとオープンデータセットの両方を使用して屋内シーンを生成することができる。
論文参考訳（メタデータ） (2022-12-30T12:20:56Z)
Revisiting Color-Event based Tracking: A Unified Network, Dataset, and Metric [53.88188265943762]
上記の機能を同時に実現したCEUTrack(Color-Event Unified Tracking)のためのシングルステージバックボーンネットワークを提案する。提案するCEUTrackはシンプルで,効率的で,75FPS以上を達成し,新たなSOTA性能を実現している。
論文参考訳（メタデータ） (2022-11-20T16:01:31Z)
Self-Supervised Pre-Training for Transformer-Based Person Re-Identification [54.55281692768765]
トランスフォーマーに基づく教師付き事前訓練は、人物再識別(ReID)において大きなパフォーマンスを達成する ImageNetとReIDデータセットのドメインギャップのため、通常、パフォーマンスを高めるために、より大きなトレーニング済みデータセットが必要です。この研究は、データとモデル構造の観点から、事前トレーニングデータセットとReIDデータセットのギャップを軽減することを目的としている。
論文参考訳（メタデータ） (2021-11-23T18:59:08Z)
Towards Optimal Strategies for Training Self-Driving Perception Models in Simulation [98.51313127382937]
合成ドメインのみにおけるラベルの使用に焦点を当てる。提案手法では,ニューラル不変表現の学習方法と,シミュレータからデータをサンプリングする方法に関する理論的にインスピレーションを得た視点を導入する。マルチセンサーデータを用いた鳥眼視車両分割作業におけるアプローチについて紹介する。
論文参考訳（メタデータ） (2021-11-15T18:37:43Z)
Video-based Person Re-identification without Bells and Whistles [49.51670583977911]
ビデオベースの人物再識別(Re-ID)は、異なるカメラの下で歩行者を特定するために、ビデオトラッカーとトリミングされたビデオフレームをマッチングすることを目的としている。従来の方法による不完全な検出と追跡の結果から, 収穫したトラックレットの空間的, 時間的不整合が生じている。本稿では,深層学習に基づくトラックレットの検出と追跡を適用することで,これらの予期せぬノイズを効果的に低減できる簡易な再検出リンク(DL)モジュールを提案する。
論文参考訳（メタデータ） (2021-05-22T10:17:38Z)

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。