論文の概要: FV-UPatches: Enhancing Universality in Finger Vein Recognition
- arxiv url: http://arxiv.org/abs/2206.01061v1
- Date: Thu, 2 Jun 2022 14:20:22 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-03 17:48:03.155318
- Title: FV-UPatches: Enhancing Universality in Finger Vein Recognition
- Title(参考訳): FV-upatches:指静脈認識における普遍性向上
- Authors: Ziyan Chen, Jiazhen Liu, Changwen Cao, Changlong Jin and Hakil Kim
- Abstract要約: 限られたデータで学習しながら一般化を実現するユニバーサルラーニングベースのフレームワークを提案する。
提案フレームワークは、他の静脈ベースの生体認証にも応用可能性を示す。
- 参考スコア(独自算出の注目度): 0.6299766708197883
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Many deep learning-based models have been introduced in finger vein
recognition in recent years. These solutions, however, suffer from data
dependency and are difficult to achieve model generalization. To address this
problem, we are inspired by the idea of domain adaptation and propose a
universal learning-based framework, which achieves generalization while
training with limited data. To reduce differences between data distributions, a
compressed U-Net is introduced as a domain mapper to map the raw region of
interest image onto a target domain. The concentrated target domain is a
unified feature space for the subsequent matching, in which a local descriptor
model SOSNet is employed to embed patches into descriptors measuring the
similarity of matching pairs. In the proposed framework, the domain mapper is
an approximation to a specific extraction function thus the training is only a
one-time effort with limited data. Moreover, the local descriptor model can be
trained to be representative enough based on a public dataset of
non-finger-vein images. The whole pipeline enables the framework to be well
generalized, making it possible to enhance universality and helps to reduce
costs of data collection, tuning and retraining. The comparable experimental
results to state-of-the-art (SOTA) performance in five public datasets prove
the effectiveness of the proposed framework. Furthermore, the framework shows
application potential in other vein-based biometric recognition as well.
- Abstract(参考訳): 近年,多くの深層学習モデルが指静脈認識に導入されている。
しかし、これらのソリューションはデータ依存に苦しめられ、モデル一般化を達成するのが困難である。
この問題に対処するために,我々はドメイン適応の考え方に触発され,限られたデータでトレーニングしながら一般化を実現するユニバーサルラーニングベースのフレームワークを提案する。
データ分布の違いを低減するため、圧縮されたU-Netをドメインマッパーとして導入し、関心画像の生領域を対象領域にマッピングする。
集中対象ドメインは、局所ディスクリプタモデルsosnetを使用して、マッチングペアの類似度を測定するディスクリプタにパッチを埋め込む、後のマッチングのための統一的な機能空間である。
提案するフレームワークでは、ドメインマッパーは特定の抽出関数に近似するので、トレーニングは限られたデータで一度の努力に過ぎません。
さらに、ローカルディスクリプタモデルは、非フィンガーベイン画像の公開データセットに基づいて十分に代表されるように訓練することができる。
パイプライン全体を通じてフレームワークを十分に一般化し、普遍性を高め、データ収集、チューニング、再トレーニングのコストを削減するのに役立つ。
5つの公開データセットにおける最先端(SOTA)のパフォーマンスに匹敵する実験結果から,提案フレームワークの有効性が証明された。
さらに、他の静脈ベースの生体認証にも応用可能性を示す。
関連論文リスト
- HiGDA: Hierarchical Graph of Nodes to Learn Local-to-Global Topology for Semi-Supervised Domain Adaptation [0.18749305679160366]
機能レベルとカテゴリレベルの両方で表現を同時に提示するように設計されたノードの階層グラフを導入します。
本研究では、画像内の最も関連性の高いパッチを識別するための局所グラフを導入し、定義された主オブジェクト表現への適応性を促進する。
カテゴリレベルでは、グローバルグラフを使用して、同じカテゴリ内のサンプルから特徴を集約し、全体的な表現を豊かにする。
論文 参考訳(メタデータ) (2024-12-16T14:35:52Z) - Unifying and Personalizing Weakly-supervised Federated Medical Image
Segmentation via Adaptive Representation and Aggregation [1.121358474059223]
フェデレートラーニング(FL)は、データプライバシとセキュリティを損なうことなく、複数のサイトが協力して強力なディープモデルをトレーニングすることを可能にする。
微粒な監督を施した弱く監督されたセグメンテーションは、アノテーションコストを下げる大きな可能性を秘めているため、ますます注目されている。
医用画像セグメンテーションのための新しいFLフレームワークであるFedICRAを提案する。
論文 参考訳(メタデータ) (2023-04-12T06:32:08Z) - GPGait: Generalized Pose-based Gait Recognition [11.316545213493223]
ポーズに基づく歩行認識に関する最近の研究は、このような単純な情報を用いてシルエット法に匹敵する結果が得られる可能性を実証している。
データセット間のポーズに基づく手法の一般化能力を向上させるために,textbf Generalized textbfPose-based textbfGait Recognition frameworkを提案する。
論文 参考訳(メタデータ) (2023-03-09T13:17:13Z) - Adaptive Local-Component-aware Graph Convolutional Network for One-shot
Skeleton-based Action Recognition [54.23513799338309]
骨格に基づく行動認識のための適応的局所成分認識グラフ畳み込みネットワークを提案する。
我々の手法はグローバルな埋め込みよりも強力な表現を提供し、我々のモデルが最先端に到達するのに役立ちます。
論文 参考訳(メタデータ) (2022-09-21T02:33:07Z) - Domain Generalization for Activity Recognition via Adaptive Feature
Fusion [9.458837222079612]
本稿では,emphAdaptive Feature Fusion for Activity Recognition (AFFAR)を提案する。
AFFARは、モデルの一般化性能を改善するために、ドメイン不変表現とドメイン固有表現を融合することを学ぶ。
AFARを実際の応用、すなわち子どもの注意欠陥性高活動障害(ADHD)の診断に適用する。
論文 参考訳(メタデータ) (2022-07-21T02:14:09Z) - Deep face recognition with clustering based domain adaptation [57.29464116557734]
そこで本研究では,ターゲットドメインとソースがクラスを共有しない顔認識タスクを対象とした,クラスタリングに基づく新しいドメイン適応手法を提案する。
本手法は,特徴領域をグローバルに整列させ,その一方で,対象クラスタを局所的に識別することで,識別対象特徴を効果的に学習する。
論文 参考訳(メタデータ) (2022-05-27T12:29:11Z) - Federated and Generalized Person Re-identification through Domain and
Feature Hallucinating [88.77196261300699]
人物再識別(re-ID)におけるフェデレーションドメイン一般化(FedDG)の問題について検討する。
一般化された局所的・グローバルなモデルを学ぶための多様な特徴を創出する手法として,DFH (Domain and Feature Hallucinating) を提案する。
提案手法は4つの大規模re-IDベンチマークにおいてFedDGの最先端性能を実現する。
論文 参考訳(メタデータ) (2022-03-05T09:15:13Z) - VisDA-2021 Competition Universal Domain Adaptation to Improve
Performance on Out-of-Distribution Data [64.91713686654805]
Visual Domain Adaptation (VisDA) 2021コンペティションは、新しいテストディストリビューションに適応するモデルの能力をテストする。
我々は,新しい視点,背景,モダリティ,品質劣化への適応性を評価する。
厳密なプロトコルを使用してパフォーマンスを計測し、最先端のドメイン適応手法と比較する。
論文 参考訳(メタデータ) (2021-07-23T03:21:51Z) - Cross-Domain Facial Expression Recognition: A Unified Evaluation
Benchmark and Adversarial Graph Learning [85.6386289476598]
我々は,クロスドメイン全体的特徴共適応のための新しい逆グラフ表現適応(AGRA)フレームワークを開発した。
我々は,いくつかの一般的なベンチマークで広範囲かつ公平な評価を行い,提案したAGRAフレームワークが従来の最先端手法よりも優れていることを示す。
論文 参考訳(メタデータ) (2020-08-03T15:00:31Z) - Unsupervised Intra-domain Adaptation for Semantic Segmentation through
Self-Supervision [73.76277367528657]
畳み込みニューラルネットワークに基づくアプローチは、セマンティックセグメンテーションにおいて顕著な進歩を遂げた。
この制限に対処するために、グラフィックエンジンから生成された注釈付きデータを使用してセグメンテーションモデルをトレーニングする。
ドメイン間およびドメイン間ギャップを最小化する2段階の自己教師付きドメイン適応手法を提案する。
論文 参考訳(メタデータ) (2020-04-16T15:24:11Z) - Learning Cross-domain Generalizable Features by Representation
Disentanglement [11.74643883335152]
ディープラーニングモデルは、異なるドメイン間で限定的な一般化性を示す。
本稿では,MIDNet(Multual-Information-based Disentangled Neural Networks)を提案する。
本手法は手書き桁データセットと胎児超音波データセットを用いて画像分類を行う。
論文 参考訳(メタデータ) (2020-02-29T17:53:16Z)
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。