論文の概要: Verification system based on long-range iris and Graph Siamese Neural Networks

• arxiv url: http://arxiv.org/abs/2208.00785v1
• Date: Thu, 28 Jul 2022 09:22:11 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-02 13:11:33.094883
• Title: Verification system based on long-range iris and Graph Siamese Neural Networks
• Title（参考訳）: 長距離アイリスとグラフシアムニューラルネットワークを用いた検証システム
• Authors: Francesco Zola, Jose Alvaro Fernandez-Carrasco, Jan Lukas Bruse, Mikel Galar, Zeno Geradts
• Abstract要約: 本稿では、LRアイリス画像をグラフに変換して、グラフシームスニューラルネットワーク(GSNN)を用いて、2つのグラフが同一人物であるかどうかを予測する新しい手法を提案する。 結果は、このアプローチの適合性を実証し、コミュニティが生体認証システムにおけるグラフアプリケーションを探ることを奨励する。
• 参考スコア（独自算出の注目度）: 0.5480546613836199
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Biometric systems represent valid solutions in tasks like user authentication and verification, since they are able to analyze physical and behavioural features with high precision. However, especially when physical biometrics are used, as is the case of iris recognition, they require specific hardware such as retina scanners, sensors, or HD cameras to achieve relevant results. At the same time, they require the users to be very close to the camera to extract high-resolution information. For this reason, in this work, we propose a novel approach that uses long-range (LR) distance images for implementing an iris verification system. More specifically, we present a novel methodology for converting LR iris images into graphs and then use Graph Siamese Neural Networks (GSNN) to predict whether two graphs belong to the same person. In this study, we not only describe this methodology but also evaluate how the spectral components of these images can be used for improving the graph extraction and the final classification task. Results demonstrate the suitability of this approach, encouraging the community to explore graph application in biometric systems.
• Abstract（参考訳）: 生体認証システムは、物理的および行動的特徴を高精度に分析できるため、ユーザ認証や検証などのタスクにおいて有効なソリューションである。 しかし、特に虹彩認識のように物理的バイオメトリックスを使用する場合、関連する結果を得るためには網膜スキャナー、センサー、HDカメラなどの特定のハードウェアが必要である。 同時に、高分解能な情報を抽出するために、ユーザーはカメラに非常に近付く必要がある。 そこで本研究では,長距離(LR)距離画像を用いて虹彩認証システムを実装する手法を提案する。 具体的には、LRアイリス画像をグラフに変換し、グラフシームスニューラルネットワーク(GSNN)を用いて、2つのグラフが同一人物であるかどうかを予測する新しい手法を提案する。 本研究では,この手法を説明するだけでなく,これらの画像のスペクトル成分がグラフ抽出と最終的な分類作業にどのように役立つかを評価する。 結果は、このアプローチの適合性を実証し、バイオメトリックシステムにおけるグラフアプリケーションの検討をコミュニティに促している。

関連論文リスト

• Synthesizing Iris Images using Generative Adversarial Networks: Survey and Comparative Analysis [11.5164036021499]
  本稿では,GANを用いた合成虹彩画像生成技術について概説する。 まず,合成虹彩生成に使用されてきた各種手法について検討し,StyleGAN,RaSGAN,CIT-GAN,iWarpGAN,StarGANなどに基づく発電機について検討した。
  論文  参考訳（メタデータ） (2024-04-26T01:45:58Z)
• GNN-LoFI: a Novel Graph Neural Network through Localized Feature-based Histogram Intersection [51.608147732998994]
  グラフニューラルネットワークは、グラフベースの機械学習の選択フレームワークになりつつある。 本稿では,古典的メッセージパッシングに代えて,ノード特徴の局所分布を解析するグラフニューラル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） (2024-01-17T13:04:23Z)
• Iris super-resolution using CNNs: is photo-realism important to iris recognition? [67.42500312968455]
  特に畳み込みニューラルネットワーク(CNN)を用いた単一画像超解像技術が出現している 本研究では, 虹彩認識のためのCNNを用いて, 単一画像の超解像を探索する。 彼らは、近赤外線虹彩画像の1.872のデータベースと携帯電話画像データベースのアプローチを検証する。
  論文  参考訳（メタデータ） (2022-10-24T11:19:18Z)
• 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)
• Saliency map using features derived from spiking neural networks of primate visual cortex [0.0]
  生体視覚システムにインスパイアされた,デジタル画像の鮮度マップ作成のためのフレームワークを提案する。 これらの領域間の接続性をモデル化するために、スパイクニューラルネットワーク(SNN)シミュレータであるCARLsimライブラリを使用する。 CARLsimが生成したスパイクは抽出された特徴として機能し、私たちの唾液検出アルゴリズムに入力します。
  論文  参考訳（メタデータ） (2022-05-02T18:52:39Z)
• Super-Resolution for Selfie Biometrics: Introduction and Application to Face and Iris [67.74999528342273]
  解像度の欠如は、画像ベースのバイオメトリックスの性能に悪影響を及ぼす。 超分解能技術は、特定のバイオメトリック・モダリティの画像の特異性に適応する必要がある。 本章では,顔画像と虹彩画像の超解像化における最近の進歩について概説する。
  論文  参考訳（メタデータ） (2022-04-12T10:28:31Z)
• Learning Hierarchical Graph Representation for Image Manipulation Detection [50.04902159383709]
  画像操作検出の目的は、画像内の操作された領域を特定し、特定することである。 最近のアプローチでは、画像に残っている改ざんするアーティファクトをキャプチャするために、洗練された畳み込みニューラルネットワーク(CNN)が採用されている。 本稿では2つの並列分岐からなる階層型グラフ畳み込みネットワーク(HGCN-Net)を提案する。
  論文  参考訳（メタデータ） (2022-01-15T01:54:25Z)
• A Computational Framework for Modeling Complex Sensor Network Data Using Graph Signal Processing and Graph Neural Networks in Structural Health Monitoring [0.7519872646378835]
  本稿では,グラフ信号処理(GSP)とグラフニューラルネットワーク(GNN)を組み合わせた複雑なネットワークモデリングに基づくフレームワークを提案する。 我々は,オランダの大きな橋梁のセンサデータ(ひずみ,振動)のモデル化と解析という,実世界の構造的健康モニタリングユースケースに注目した。
  論文  参考訳（メタデータ） (2021-05-01T10:45:57Z)
• End-to-end User Recognition using Touchscreen Biometrics [11.394909061094463]
  目標は、モバイルデバイスの生データを使ってユーザーを透過的に識別できるエンドツーエンドシステムを作ることだった。 提案するシステムでは,タッチスクリーンからのデータはディープニューラルネットワークの入力に直接反映され,ユーザの同一性を決定することができる。
  論文  参考訳（メタデータ） (2020-06-09T16:38:09Z)
• Structural Temporal Graph Neural Networks for Anomaly Detection in Dynamic Graphs [54.13919050090926]
  本稿では,動的グラフの異常エッジを検出するために,エンドツーエンドの時間構造グラフニューラルネットワークモデルを提案する。 特に,まずターゲットエッジを中心にした$h$ホップ囲むサブグラフを抽出し,各ノードの役割を識別するノードラベル機能を提案する。 抽出した特徴に基づき,GRU(Gated Recurrent Unit)を用いて,異常検出のための時間的情報を取得する。
  論文  参考訳（メタデータ） (2020-05-15T09:17:08Z)
• SIP-SegNet: A Deep Convolutional Encoder-Decoder Network for Joint Semantic Segmentation and Extraction of Sclera, Iris and Pupil based on Periocular Region Suppression [8.64118000141143]
  マルチモーダル生体認証システムは 生体認証システムの限界に 対処する能力がある このようなシステムには高い特性、永続性、性能があるが、他の生体特性に基づく技術は容易に妥協できる。 SIP-SegNetと呼ばれる新しい深層学習フレームワークが提案され、眼形質のセマンティックセマンティックセグメンテーションを行う。
  論文  参考訳（メタデータ） (2020-02-15T15:20:44Z)

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。