論文の概要: Human Saliency-Driven Patch-based Matching for Interpretable Post-mortem
Iris Recognition
- arxiv url: http://arxiv.org/abs/2208.03138v1
- Date: Wed, 3 Aug 2022 19:40:44 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-08 12:40:14.932755
- Title: Human Saliency-Driven Patch-based Matching for Interpretable Post-mortem
Iris Recognition
- Title（参考訳）: 視線後虹彩認識のための人体容積駆動型パッチベースマッチング
- Authors: Aidan Boyd, Daniel Moreira, Andrey Kuehlkamp, Kevin Bowyer, Adam
Czajka
- Abstract要約: そこで本研究では,ヒトの唾液度を学習し,完全に解釈可能な比較結果を与える,独自の死後虹彩認識手法を提案する。
提案手法は, 商業的(非人間解釈可能な) VeriEye 手法よりも優れた結果を示した。
- 参考スコア（独自算出の注目度）: 5.7477871490034005
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Forensic iris recognition, as opposed to live iris recognition, is an
emerging research area that leverages the discriminative power of iris
biometrics to aid human examiners in their efforts to identify deceased
persons. As a machine learning-based technique in a predominantly
human-controlled task, forensic recognition serves as "back-up" to human
expertise in the task of post-mortem identification. As such, the machine
learning model must be (a) interpretable, and (b) post-mortem-specific, to
account for changes in decaying eye tissue. In this work, we propose a method
that satisfies both requirements, and that approaches the creation of a
post-mortem-specific feature extractor in a novel way employing human
perception. We first train a deep learning-based feature detector on
post-mortem iris images, using annotations of image regions highlighted by
humans as salient for their decision making. In effect, the method learns
interpretable features directly from humans, rather than purely data-driven
features. Second, regional iris codes (again, with human-driven filtering
kernels) are used to pair detected iris patches, which are translated into
pairwise, patch-based comparison scores. In this way, our method presents human
examiners with human-understandable visual cues in order to justify the
identification decision and corresponding confidence score. When tested on a
dataset of post-mortem iris images collected from 259 deceased subjects, the
proposed method places among the three best iris matchers, demonstrating better
results than the commercial (non-human-interpretable) VeriEye approach. We
propose a unique post-mortem iris recognition method trained with human
saliency to give fully-interpretable comparison outcomes for use in the context
of forensic examination, achieving state-of-the-art recognition performance.
- Abstract（参考訳）: 法医学的な虹彩認識は、生の虹彩認識とは対照的に、虹彩生体認証の識別能力を利用して、被検者を特定する努力を支援する新たな研究分野である。
主に人間が制御するタスクにおける機械学習に基づく技術として、法医学的認識は、死後の識別タスクにおける人間の専門知識の「バックアップ」として機能する。
そのため、機械学習モデルは必要である。
(a)解釈可能で
b) 失明後の眼組織の変化を考慮に入れた。
本研究では,両要件を満たす手法を提案し,人間の知覚を取り入れた新しい方法として,死後特徴抽出器の開発にアプローチする。
われわれはまず,ヒトが強調した画像領域のアノテーションを用いて,死後虹彩画像の深層学習に基づく特徴検出器を訓練する。
この手法は、純粋にデータ駆動機能ではなく、人間から直接解釈可能な特徴を学習する。
第2に、検出されたアイリスパッチをペア化するために、地域アイリス符号(同様に人間によるフィルタリングカーネル)が使用され、パッチベースの比較スコアに変換される。
そこで本手法では,人間の視覚的手がかりを提示し,識別決定とそれに対応する信頼度を正当化する。
259人の死亡者から収集された死後の虹彩画像のデータセット上でテストすると、提案手法は3つの最も優れた虹彩照合器のうちの1つとなり、商業的(非人間解釈可能な)ヴェリアイアプローチよりも優れた結果を示す。
本研究では,法医学的検査の文脈で使用するために,ヒトの唾液度で訓練した独自の死後虹彩認識手法を提案する。
関連論文リスト
- Forensic Iris Image Synthesis [5.596752018167751]
死後虹彩認識は、法医学的な設定で虹彩をベースとした人間の識別の新たな応用である。
本論文は, 運動後虹彩サンプルの最大データセットに基づいて訓練された, 条件付きスタイルGANに基づく虹彩合成モデルを提供する。
論文 参考訳（メタデータ） (2023-12-07T08:28:41Z) - Forensic Histopathological Recognition via a Context-Aware MIL Network
Powered by Self-Supervised Contrastive Learning [16.81923407738405]
法医学的病理学を支援するAIベースの計算病理学手法の開発は、事実上有意義である。
本稿では,FPathというフレームワークを提案する。このフレームワークでは,自己監督型コントラスト学習戦略とコンテキスト認識型マルチインスタンス学習ブロックを設計する。
大規模なデータベースには、実験用ラットの死後画像19,607ドル(約1万3000円)、実世界の人間の十進画像3378ドル(約3万3000円)があり、FPathは最先端の精度とクロスドメインの一般化に繋がった。
論文 参考訳（メタデータ） (2023-08-27T07:47:38Z) - Deep Learning for Iris Recognition: A Review [7.884782855865438]
虹彩認識は他の生体認証法よりも信頼性が高く、外部要因の影響を受けにくいと考えられている。
従来の機械学習ベースの虹彩認識方法とは異なり、ディープラーニング技術は機能工学に頼らず、優れたパフォーマンスを誇っている。
本稿では,深層学習に基づく虹彩認識の展開を要約するために120の関連論文を収集した。
論文 参考訳（メタデータ） (2023-03-15T10:45:21Z) - Body Part-Based Representation Learning for Occluded Person
Re-Identification [102.27216744301356]
隠蔽人物再識別(ReID)とは,隠蔽人物画像と包括的人物画像とのマッチングを目的とした人物検索タスクである。
パートベースの手法は、微細な情報を提供し、部分的に見える人間の体を表現するのに適しているため、有益であることが示されている。
本稿では,BPBreIDという身体部分に基づくReIDモデルを提案する。
論文 参考訳（メタデータ） (2022-11-07T16:48:41Z) - Towards Intrinsic Common Discriminative Features Learning for Face
Forgery Detection using Adversarial Learning [59.548960057358435]
本稿では, 対人学習を利用して, 異なる偽造法と顔の同一性による負の効果を除去する手法を提案する。
我々の顔偽造検出モデルは、偽造法や顔の同一性の影響を排除し、共通の識別的特徴を抽出することを学ぶ。
論文 参考訳（メタデータ） (2022-07-08T09:23:59Z) - RealGait: Gait Recognition for Person Re-Identification [79.67088297584762]
我々は,既存の映像人物の再識別課題からシルエットを抽出し,制約のない方法で歩く1,404人からなる新たな歩行データセットを構築した。
以上の結果から、実際の監視シナリオにおける歩行による認識は実現可能であり、その基盤となる歩行パターンが、実際にビデオの人物認識が機能する真の理由である可能性が示唆された。
論文 参考訳（メタデータ） (2022-01-13T06:30:56Z) - Interpretable Deep Learning-Based Forensic Iris Segmentation and
Recognition [4.691925709249742]
死後虹彩分割と認識のためのエンドツーエンドの深層学習手法を提案する。
本手法は, 遺骸171頭から得られたデータを用いて訓練, 検証し, 遺骸229頭から採取した被検体分離データを用いて検討した。
論文 参考訳（メタデータ） (2021-12-01T21:59:16Z) - Automatic Main Character Recognition for Photographic Studies [78.88882860340797]
画像の主人公は、最初に見る人の注意を引く最も重要な人間である。
画像中の主文字の同定は,従来の写真研究やメディア分析において重要な役割を担っている。
機械学習に基づく人間のポーズ推定を用いて主文字を識別する手法を提案する。
論文 参考訳（メタデータ） (2021-06-16T18:14:45Z) - Human Recognition Using Face in Computed Tomography [26.435782518817295]
本稿では、ROI抽出のための3次元顔のランドマークを最初に検出し、自動認識に使用する2次元深度画像を生成する自動処理パイプラインを提案する。
提案手法は,92.53%の1:56同定精度と96.12%の1:1検証精度を達成し,他の競合手法よりも優れていた。
論文 参考訳（メタデータ） (2020-05-28T18:59:59Z) - Joint Deep Learning of Facial Expression Synthesis and Recognition [97.19528464266824]
顔表情の合成と認識を効果的に行うための新しい統合深層学習法を提案する。
提案手法は, 2段階の学習手順を伴い, まず, 表情の異なる顔画像を生成するために, 表情合成生成対向ネットワーク (FESGAN) を事前訓練する。
実画像と合成画像間のデータバイアスの問題を軽減するために,新しい実データ誘導バックプロパゲーション(RDBP)アルゴリズムを用いたクラス内損失を提案する。
論文 参考訳（メタデータ） (2020-02-06T10:56:00Z) - Continuous Emotion Recognition via Deep Convolutional Autoencoder and
Support Vector Regressor [70.2226417364135]
マシンはユーザの感情状態を高い精度で認識できることが不可欠である。
ディープニューラルネットワークは感情を認識する上で大きな成功を収めている。
表情認識に基づく連続的感情認識のための新しいモデルを提案する。
論文 参考訳（メタデータ） (2020-01-31T17:47:16Z)
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。