論文の概要: Segmentation-free Direct Iris Localization Networks

• arxiv url: http://arxiv.org/abs/2210.10403v1
• Date: Wed, 19 Oct 2022 09:13:39 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-20 14:48:34.293928
• Title: Segmentation-free Direct Iris Localization Networks
• Title（参考訳）: セグメンテーションフリー直接虹彩定位ネットワーク
• Authors: Takahiro Toizumi and Koichi Takahashi and Masato Tsukada
• Abstract要約: 本稿では,アイリス分割と円環嵌合を用いない効率的なアイリス局所化法を提案する。 低分解能アイリス画像から瞳孔と虹彩円を直接局所化できる虹彩局在化ネットワーク(ILN)を提案する。 また,瞳孔局所化の精度を向上させるために,瞳孔微細化ネットワーク(PRN)を導入する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper proposes an efficient iris localization method without using iris segmentation and circle fitting. Conventional iris localization methods first extract iris regions by using semantic segmentation methods such as U-Net. Afterward, the inner and outer iris circles are localized using the traditional circle fitting algorithm. However, this approach requires high-resolution encoder-decoder networks for iris segmentation, so it causes computational costs to be high. In addition, traditional circle fitting tends to be sensitive to noise in input images and fitting parameters, causing the iris recognition performance to be poor. To solve these problems, we propose an iris localization network (ILN), that can directly localize pupil and iris circles with eyelid points from a low-resolution iris image. We also introduce a pupil refinement network (PRN) to improve the accuracy of pupil localization. Experimental results show that the combination of ILN and PRN works in 34.5 ms for one iris image on a CPU, and its localization performance outperforms conventional iris segmentation methods. In addition, generalized evaluation results show that the proposed method has higher robustness for datasets in different domain than other segmentation methods. Furthermore, we also confirm that the proposed ILN and PRN improve the iris recognition accuracy.
• Abstract（参考訳）: 本稿では,アイリス分割と円環嵌合を用いない効率的なアイリス局所化法を提案する。 U-Netのようなセマンティックセグメンテーション手法を用いてアイリス領域を抽出する。 その後、内側と外側の虹彩円は従来の円嵌合アルゴリズムを用いて局所化される。 しかし、このアプローチではアイリスセグメンテーションのために高分解能エンコーダデコーダネットワークが必要であるため、計算コストが高くなる。 さらに、従来の円の嵌合は入力画像や嵌合パラメータのノイズに敏感であり、虹彩認識性能は低下する傾向にある。 これらの問題を解決するために,低解像度の虹彩画像から瞳孔と虹彩円を直接局所化できる虹彩局所化ネットワーク(ILN)を提案する。 また, 瞳孔定位精度を向上させるために, 瞳孔改善ネットワーク (prn) を導入する。 実験の結果, ILNとPRNの組み合わせはCPU上の1アイリス画像に対して34.5msで動作し, 局所化性能は従来のアイリス分割法よりも優れていた。 さらに, 提案手法は, 他のセグメンテーション手法よりも, 異なる領域のデータセットに対するロバスト性が高いことを示す。 さらに,提案したILNとPRNが虹彩認識精度を向上させることも確認した。

関連論文リスト

• CondSeg: Ellipse Estimation of Pupil and Iris via Conditioned Segmentation [9.680930476240674]
  瞳孔成分(瞳孔、虹彩、硬化)は、AR/VR製品における視線追跡および視線推定の基礎となる。 本稿では,全瞳孔/虹彩円を楕円形(楕円形)でモデル化し,視線領域の開放性によって瞳孔/虹彩の視認性を制御する2つの先行性について考察する。 本研究はCondSegを用いて,全楕円を明示的にアノテートすることなく,セグメンテーションラベルから直接瞳孔・虹彩の楕円パラメータを推定する。
  論文  参考訳（メタデータ） (2024-08-30T12:17:49Z)
• A Prior Embedding-Driven Architecture for Long Distance Blind Iris Recognition [5.482786561272011]
  遠距離ブラインドアイリス認識のための埋め込み駆動型アーキテクチャを提案する。 われわれはまずアイリス画像復元ネットワークIris-PPRGANを提案した。 ブラインドアイリスのテクスチャを効果的に復元するために、Iris-PPRGANは、プリミティブデコーダとして使用されるジェネレーティブアドリアネットワーク(GAN)と、エンコーダとして使用されるDNNとを含む。
  論文  参考訳（メタデータ） (2024-08-01T00:40:17Z)
• Iris-SAM: Iris Segmentation Using a Foundation Model [10.902536447343465]
  基礎モデルviz., Segment Anything Model (SAM) から画素レベルの虹彩分割モデルを開発する。 この研究の主な貢献は、眼画像上のSAMの微調整中に異なる損失関数を統合することである。 ND-IRIS-0405、CASIA-Iris-Interval-v3、IIT-Delhi-Irisデータセットの実験は、虹彩セグメンテーションのタスクに対する訓練されたモデルの有効性を伝達する。
  論文  参考訳（メタデータ） (2024-02-09T16:08:16Z)
• Exploring Deep Learning Image Super-Resolution for Iris Recognition [50.43429968821899]
  重畳自動エンコーダ(SAE)と畳み込みニューラルネットワーク(CNN)の2つの深層学習単一画像超解法手法を提案する。 精度評価と認識実験により,1.872個の近赤外虹彩画像のデータベースを用いて評価を行い,比較アルゴリズムよりも深層学習の方が優れていることを示す。
  論文  参考訳（メタデータ） (2023-11-02T13:57:48Z)
• 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)
• Very Low-Resolution Iris Recognition Via Eigen-Patch Super-Resolution and Matcher Fusion [69.53542497693086]
  局所像パッチの固有変換に基づいて虹彩画像の再構成に用いる超解像アルゴリズムの評価を行った。 コントラストの強化は再現性を向上させるのに用いられ、マーカ融合は虹彩認識性能を改善するために採用されている。
  論文  参考訳（メタデータ） (2022-10-18T11:25:19Z)
• Iris Recognition Based on SIFT Features [63.07521951102555]
  アイリス画像の認識にはSIFT(Scale Invariant Feature Transformation)を用いる。 我々は、SIFT演算子を用いて、スケール空間における特徴SIFT特徴点を抽出し、特徴点周辺のテクスチャ情報に基づいてマッチングを行う。 また、SIFT手法と、極座標変換とLog-Gaborウェーブレットに基づく一般的なマッチング手法の相補性を示す。
  論文  参考訳（メタデータ） (2021-10-30T04:55:33Z)
• Toward Accurate and Reliable Iris Segmentation Using Uncertainty Learning [96.72850130126294]
  高精度で信頼性の高いアイリスセグメンテーションのためのアイリスU変換器(アイリスUsformer)を提案する。 IrisUsformerの精度向上のために,位置感応操作と再パッケージング変圧器ブロックを採用することで精巧に設計する。 IrisUsformer は SOTA IrisParseNet の 35% MAC を用いて, セグメンテーション精度の向上を図っている。
  論文  参考訳（メタデータ） (2021-10-20T01:37:19Z)
• Segmentation-Aware and Adaptive Iris Recognition [24.125681602124477]
  アイリス画像の品質は、アイリスマッチング精度を劣化させることが知られている。 眼周囲情報は本質的にそのような虹彩画像に埋め込まれており、そのような非理想的なシナリオ下で虹彩認識を支援するために利用することができる。 本稿では,より精度の低いアイリス認識のためのセグメンテーション支援適応フレームワークを提案する。
  論文  参考訳（メタデータ） (2019-12-31T04:31:37Z)

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。