論文の概要: Eye Know You Too: A DenseNet Architecture for End-to-end Biometric Authentication via Eye Movements

• arxiv url: http://arxiv.org/abs/2201.02110v1
• Date: Wed, 5 Jan 2022 02:49:30 GMT
• ステータス: 処理完了
• システム内更新日: 2022-01-07 15:11:12.460039
• Title: Eye Know You Too: A DenseNet Architecture for End-to-end Biometric Authentication via Eye Movements
• Title（参考訳）: Eye Know You Too: 眼球運動によるエンドツーエンドの生体認証のためのDenseNetアーキテクチャ
• Authors: Dillon Lohr, Oleg V Komogortsev
• Abstract要約: 我々は、眼球運動によるエンドツーエンドの生体認証にDenseNetアーキテクチャを使用している。 本モデルでは,学習条件やデータセットのすべてについて,最先端のパフォーマンスを実現する。
• 参考スコア（独自算出の注目度）: 5.990174495635325
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Plain convolutional neural networks (CNNs) have been used to achieve state-of-the-art performance in various domains in the past years, including biometric authentication via eye movements. There have been many relatively recent improvements to plain CNNs, including residual networks (ResNets) and densely connected convolutional networks (DenseNets). Although these networks primarily target image processing domains, they can be easily modified to work with time series data. We employ a DenseNet architecture for end-to-end biometric authentication via eye movements. We compare our model against the most relevant prior works including the current state-of-the-art. We find that our model achieves state-of-the-art performance for all considered training conditions and data sets.
• Abstract（参考訳）: plain convolutional neural networks (cnns) は、眼球運動による生体認証を含む、過去数年間に様々な領域で最先端のパフォーマンスを達成するために用いられてきた。 残余ネットワーク(ResNets)や密結合畳み込みネットワーク(DenseNets)など、比較的最近の一般的なCNNの改善が数多く行われている。 これらのネットワークは主に画像処理領域をターゲットにしているが、時系列データを扱うように容易に修正できる。 我々は、眼球運動によるエンドツーエンドの生体認証にDenseNetアーキテクチャを使用している。 私たちのモデルは、現在の最先端を含む最も関連する先行作品と比較します。 本モデルでは,学習条件やデータセットのすべてについて,最先端のパフォーマンスを実現する。

関連論文リスト

• Combined CNN and ViT features off-the-shelf: Another astounding baseline for recognition [49.14350399025926]
  本稿では,ImageNet Large Scale Visual Recognition Challengeのために開発された事前学習型アーキテクチャを,近視認識に適用する。 CNNとViTの中間層の特徴は、近視画像に基づいて個人を認識するのに適した方法である。
  論文  参考訳（メタデータ） (2024-07-28T11:52:36Z)
• DenseNets Reloaded: Paradigm Shift Beyond ResNets and ViTs [30.412909498409192]
  この論文はDensely Connected Convolutional Networks (DenseNets)を復活させる。 DenseNetsのポテンシャルは、未修正のトレーニングメソッドと従来のデザイン要素が機能を完全に明らかにしていないために見過ごされてしまったと信じています。 我々は,DenseNetスタイルの設計に対して新たな好みを定めながら,付加的なショートカットに対する結合のメリットを明らかにする経験的分析を行う。
  論文  参考訳（メタデータ） (2024-03-28T17:12:39Z)
• Dynamic Graph Message Passing Networks for Visual Recognition [112.49513303433606]
  長距離依存のモデリングは、コンピュータビジョンにおけるシーン理解タスクに不可欠である。 完全連結グラフはそのようなモデリングには有益であるが、計算オーバーヘッドは禁じられている。 本稿では,計算複雑性を大幅に低減する動的グラフメッセージパッシングネットワークを提案する。
  論文  参考訳（メタデータ） (2022-09-20T14:41:37Z)
• Dynamic Graph: Learning Instance-aware Connectivity for Neural Networks [78.65792427542672]
  動的グラフネットワーク(DG-Net)は完全な有向非巡回グラフであり、ノードは畳み込みブロックを表し、エッジは接続経路を表す。 ネットワークの同じパスを使用する代わりに、DG-Netは各ノードの機能を動的に集約する。
  論文  参考訳（メタデータ） (2020-10-02T16:50:26Z)
• BiO-Net: Learning Recurrent Bi-directional Connections for Encoder-Decoder Architecture [82.64881585566825]
  本稿では,新たな双方向O字型ネットワーク(BiO-Net)を提案する。 提案手法は,バニラU-Netおよび他の最先端手法よりも優れる。
  論文  参考訳（メタデータ） (2020-07-01T05:07:49Z)
• Deep Isometric Learning for Visual Recognition [67.94199891354157]
  我々は、標準的な画像認識ベンチマークで驚くほど優れたパフォーマンスを達成するために、深いバニラConvNetをトレーニングできることを示します。 私たちのコードはhttps://github.com/HaozhiQi/ISONet.comで公開されています。
  論文  参考訳（メタデータ） (2020-06-30T17:53:13Z)
• From W-Net to CDGAN: Bi-temporal Change Detection via Deep Learning Techniques [43.58400031452662]
  W-Netと呼ばれるエンドツーエンドのデュアルブランチアーキテクチャを提案し、各ブランチは2つのバイテンポラルイメージのうちの1つを入力として取り込む。 また、最近人気になったGAN(Generative Adversarial Network)を応用し、当社のW-Netがジェネレータとして機能している。 ネットワークをトレーニングし,今後の研究を促進するために,Google Earthから画像を収集して大規模なデータセットを構築する。
  論文  参考訳（メタデータ） (2020-03-14T09:24:08Z)
• BUSU-Net: An Ensemble U-Net Framework for Medical Image Segmentation [0.0]
  畳み込みニューラルネットワーク(CNN)は医療画像解析に革命をもたらした。 基礎となるU-Netフレームワークを用いたアンサンブルディープニューラルネットワークを提案する。 このアンサンブルネットワークは,いくつかの評価指標において,最近の最先端ネットワークよりも優れていることを示す。
  論文  参考訳（メタデータ） (2020-03-03T15:18:01Z)
• Node Masking: Making Graph Neural Networks Generalize and Scale Better [71.51292866945471]
  グラフニューラルネットワーク(GNN)は近年,多くの関心を集めている。 本稿では,芸術空間のGNNの状態によって実行される操作をよりよく可視化するために,いくつかの理論ツールを利用する。 私たちはNode Maskingというシンプルなコンセプトを導入しました。
  論文  参考訳（メタデータ） (2020-01-17T06:26:40Z)

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。