論文の概要: A Uniform Representation Learning Method for OCT-based Fingerprint
Presentation Attack Detection and Reconstruction
- arxiv url: http://arxiv.org/abs/2209.12208v1
- Date: Sun, 25 Sep 2022 12:31:40 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-27 16:14:44.382100
- Title: A Uniform Representation Learning Method for OCT-based Fingerprint
Presentation Attack Detection and Reconstruction
- Title（参考訳）: OCTを用いた指紋提示検出と再構成のための一様表現学習法
- Authors: Wentian Zhang, Haozhe Liu, Feng Liu, Raghavendra Ramachandra
- Abstract要約: 深度情報に基づく提示検出(PAD)と地下指紋再構成を2つの独立分枝として扱う。
本稿では,OCTを用いた指紋認識と地下指紋再構成のための一様表現モデルを提案する。
- 参考スコア（独自算出の注目度）: 8.764696645299603
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The technology of optical coherence tomography (OCT) to fingerprint imaging
opens up a new research potential for fingerprint recognition owing to its
ability to capture depth information of the skin layers. Developing robust and
high security Automated Fingerprint Recognition Systems (AFRSs) are possible if
the depth information can be fully utilized. However, in existing studies,
Presentation Attack Detection (PAD) and subsurface fingerprint reconstruction
based on depth information are treated as two independent branches, resulting
in high computation and complexity of AFRS building.Thus, this paper proposes a
uniform representation model for OCT-based fingerprint PAD and subsurface
fingerprint reconstruction. Firstly, we design a novel semantic segmentation
network which only trained by real finger slices of OCT-based fingerprints to
extract multiple subsurface structures from those slices (also known as
B-scans). The latent codes derived from the network are directly used to
effectively detect the PA since they contain abundant subsurface biological
information, which is independent with PA materials and has strong robustness
for unknown PAs. Meanwhile, the segmented subsurface structures are adopted to
reconstruct multiple subsurface 2D fingerprints. Recognition can be easily
achieved by using existing mature technologies based on traditional 2D
fingerprints. Extensive experiments are carried on our own established
database, which is the largest public OCT-based fingerprint database with 2449
volumes. In PAD task, our method can improve 0.33% Acc from the
state-of-the-art method. For reconstruction performance, our method achieves
the best performance with 0.834 mIOU and 0.937 PA. By comparing with the
recognition performance on surface 2D fingerprints, the effectiveness of our
proposed method on high quality subsurface fingerprint reconstruction is
further proved.
- Abstract（参考訳）: 光コヒーレンストモグラフィー(OCT)技術は、皮膚層の深度情報を捉える能力により、指紋認識の新たな研究可能性を開く。
深度情報を十分に活用できれば、堅牢で高セキュリティな自動指紋認識システム(AFRS)の開発が可能になる。
しかし,これまでの研究では,奥行き情報に基づくプレゼンテーションアタック検出 (pad) と地下指紋再構成 (subsurface fingerprint reconstruction) を2つの独立した枝として扱い,afrsビルディングの計算と複雑さを高く評価し,octベース指紋パッドと地下指紋再構成のための一様表現モデルを提案する。
まず,octベースの指紋の実際のフィンガースライスのみを用いて,そのスライス(b-scansとも呼ばれる)から複数の地下構造を抽出する新しい意味セグメンテーションネットワークを設計する。
ネットワークから派生した潜伏符号は、PA材料と独立しており、未知のPAに対して強い堅牢性を有する、豊富な地下生物情報を含むため、PAを効果的に検出するために直接使用される。
一方、分割された地下構造は複数の地下2d指紋を再構成するために採用されている。
従来の2d指紋に基づく既存の成熟した技術を使用することで、認識を容易に実現できる。
このデータベースは,octベースで最大2449巻の指紋データベースである。
pad タスクでは,最先端の手法から 0.33% acc を改善できる。
本手法は, 0.834 mIOU と 0.937 PA で最適性能を達成する。
表面2次元指紋の認識性能と比較することにより,提案手法が高品質な地下指紋再構成に与える影響がさらに証明された。
関連論文リスト
- Latent fingerprint enhancement for accurate minutiae detection [8.996826918574463]
本稿では,GAN(Generative Adversary Network)を用いてLFE(Latent Fingerprint Enhancement)を再定義する手法を提案する。
生成過程の微妙な情報を直接最適化することにより、このモデルは、地味な事例に対して例外的な忠実さを示す強化された潜伏指紋を生成する。
筆者らのフレームワークは, 微小な位置と配向場を統合し, 局所的および構造的指紋の特徴の保存を確実にする。
論文 参考訳（メタデータ） (2024-09-18T08:35:31Z) - Finger-UNet: A U-Net based Multi-Task Architecture for Deep Fingerprint
Enhancement [0.0]
指紋認識/検証パイプラインの初期段階において、指紋強調は重要な役割を果たす。
低品質指紋を効果的に改善するために,U-Netの直感的な修正を提案する。
モデルのメモリフットプリントを大幅に削減するため,通常の畳み込みを奥行き分離可能な畳み込みに置き換える。
論文 参考訳（メタデータ） (2023-10-01T09:49:10Z) - A Universal Latent Fingerprint Enhancer Using Transformers [47.87570819350573]
本研究の目的は,ULPrintと呼ばれる高速なフィンガープリント方式を開発し,様々な潜伏指紋のタイプを増強することである。
クローズドセットの識別精度実験では、MSU-AFISの性能は61.56%から75.19%に向上した。
論文 参考訳（メタデータ） (2023-05-31T23:01:11Z) - Advancing 3D finger knuckle recognition via deep feature learning [51.871256510747465]
接触のない3Dフィンガーナックルパターンは、識別性、距離からの視認性、利便性、利便性により、効果的な生体認証として出現している。
近年、ディープニューラルネットワークの中間機能を複数のスケールで同時に組み込むディープ・フィーチャー・コラボレーティブ・ネットワークが開発されている。
本稿では,3次元指のナックル画像を表現するために,最小次元の識別特徴ベクトルを学習する可能性を検討することにより,本手法を推し進める。
論文 参考訳（メタデータ） (2023-01-07T20:55:16Z) - AFR-Net: Attention-Driven Fingerprint Recognition Network [47.87570819350573]
指紋認識を含む生体認証における視覚変換器(ViT)の使用に関する初期研究を改善する。
ネットワーク内の中間特徴マップから抽出した局所的な埋め込みを用いて,グローバルな埋め込みを低確かさで洗練する手法を提案する。
この戦略は、既存のディープラーニングネットワーク(アテンションベース、CNNベース、あるいはその両方を含む)のラッパーとして適用することで、パフォーマンスを向上させることができる。
論文 参考訳（メタデータ） (2022-11-25T05:10:39Z) - Synthetic Latent Fingerprint Generator [47.87570819350573]
フル指紋画像(ローリングまたはスラップ)が与えられた場合、私たちはCycleGANモデルを示し、フルプリントと同じアイデンティティの複数の潜在印象を生成する。
我々のモデルは、生成された潜在印刷画像の歪み、ノイズ、ぼかし、閉塞の程度を制御できる。
合成潜入指紋を生成する手法は,潜入指紋の認識性能向上に有効である。
論文 参考訳（メタデータ） (2022-08-29T18:02:02Z) - FIGO: Enhanced Fingerprint Identification Approach Using GAN and One
Shot Learning Techniques [0.0]
本稿では,生成逆数ネットワークとワンショット学習技術に基づく指紋識別手法を提案する。
まず,低画質の指紋画像を,指紋強調層に直接画素を向けて高レベルの指紋画像に変換するPix2Pixモデルを提案する。
第2に,指紋識別プロセスにおいて,各指紋を他の指紋と区別するために,ワンショット学習アプローチを用いた完全自動指紋特徴抽出モデルを構築した。
論文 参考訳（メタデータ） (2022-08-11T02:45:42Z) - SpoofGAN: Synthetic Fingerprint Spoof Images [47.87570819350573]
指紋スプーフ検出の進歩に対する大きな制限は、公開可能な大規模な指紋スプーフデータセットの欠如である。
この研究は、これらのアルゴリズムに十分なデータを供給する際に、合成指紋(ライブ指紋とスプーフ指紋の両方)の有用性を実証することを目的としている。
論文 参考訳（メタデータ） (2022-04-13T16:27:27Z) - Synthesis and Reconstruction of Fingerprints using Generative
Adversarial Networks [6.700873164609009]
本稿では,StyleGan2アーキテクチャに基づく新しい指紋合成・再構成フレームワークを提案する。
また,生成した指紋の属性を同一性を保ちながら修正する計算手法も提案する。
提案手法は, 指紋合成と復元の両面において, 現代的手法よりも優れていることを示した。
論文 参考訳（メタデータ） (2022-01-17T00:18:00Z) - Responsible Disclosure of Generative Models Using Scalable
Fingerprinting [70.81987741132451]
深層生成モデルは質的に新しいパフォーマンスレベルを達成した。
この技術がスプーフセンサーに誤用され、ディープフェイクを発生させ、大規模な誤情報を可能にするという懸念がある。
最先端のジェネレーションモデルを責任を持って公開することで、研究者や企業がモデルに指紋を刻むことができます。
論文 参考訳（メタデータ） (2020-12-16T03:51:54Z)
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。