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
- Continuous U-Net: Faster, Greater and Noiseless [2.6163085620813287]
画像セグメンテーションのための新しいネットワークファミリーであるContinuous U-Netを紹介する。
より高速な収束、高ロバスト性、ノイズに対する感度の低下を示す理論的な保証を提供する。
本研究では, 医用画像セグメンテーションベンチマークデータセットにおいて, 既存のU-Netブロックよりも優れていることを示す。
論文 参考訳(メタデータ) (2023-02-01T17:46:00Z) - 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) - DRU-net: An Efficient Deep Convolutional Neural Network for Medical
Image Segmentation [2.3574651879602215]
残留ネットワーク(ResNet)と密結合ネットワーク(DenseNet)は、ディープ畳み込みニューラルネットワーク(DCNN)のトレーニング効率と性能を大幅に改善した。
両ネットワークの利点を考慮した効率的なネットワークアーキテクチャを提案する。
論文 参考訳(メタデータ) (2020-04-28T12:16:24Z) - Improved Residual Networks for Image and Video Recognition [98.10703825716142]
ResNets(Residual Networks)は、CNN(Convolutional Neural Network)アーキテクチャの強力なタイプである。
ベースライン上での精度と学習収束性を一貫した改善を示す。
提案手法では,高度に深いネットワークをトレーニングできるが,ベースラインは厳密な最適化問題を示す。
論文 参考訳(メタデータ) (2020-04-10T11:09:50Z) - 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。