論文の概要: Super-Resolution and Image Re-projection for Iris Recognition

• arxiv url: http://arxiv.org/abs/2210.11129v1
• Date: Thu, 20 Oct 2022 09:46:23 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-21 14:58:06.850425
• Title: Super-Resolution and Image Re-projection for Iris Recognition
• Title（参考訳）: 虹彩認識のための超解像と画像再投影
• Authors: Eduardo Ribeiro, Andreas Uhl, Fernando Alonso-Fernandez
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 67.42500312968455
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Several recent works have addressed the ability of deep learning to disclose rich, hierarchical and discriminative models for the most diverse purposes. Specifically in the super-resolution field, Convolutional Neural Networks (CNNs) using different deep learning approaches attempt to recover realistic texture and fine grained details from low resolution images. In this work we explore the viability of these approaches for iris Super-Resolution (SR) in an iris recognition environment. For this, we test different architectures with and without a so called image re-projection to reduce artifacts applying it to different iris databases to verify the viability of the different CNNs for iris super-resolution. Results show that CNNs and image re-projection can improve the results specially for the accuracy of recognition systems using a complete different training database performing the transfer learning successfully.
• Abstract（参考訳）: 最近のいくつかの研究は、最も多様な目的のために、豊かで階層的で差別的なモデルを開示する深層学習の能力に対処してきた。 特に超解像領域において、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(cnns)は、低解像度画像から現実的なテクスチャと細部の詳細を回復しようとする。 本研究では、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有効性について検討する。 そこで我々は,画像の再投影を伴わずに異なるアーキテクチャをテストし,異なるアイリスデータベースに適用したアーティファクトを削減し,アイリス超解像のための異なるCNNの生存可能性を検証する。 その結果、cnnと画像再投影は、トランスファー学習をうまく行うための完全に異なるトレーニングデータベースを用いて、認識システムの精度を特別に向上できることがわかった。

関連論文リスト

• Research on Image Super-Resolution Reconstruction Mechanism based on Convolutional Neural Network [8.739451985459638]
  超解像アルゴリズムは、同一シーンから撮影された1つ以上の低解像度画像を高解像度画像に変換する。 再構成過程における画像の特徴抽出と非線形マッピング手法は,既存のアルゴリズムでは依然として困難である。 目的は、高解像度の画像から高品質で高解像度の画像を復元することである。
  論文  参考訳（メタデータ） (2024-07-18T06:50:39Z)
• 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)
• Image Super-resolution with An Enhanced Group Convolutional Neural Network [102.2483249598621]
  学習能力の強いCNNは、超解像問題を解くために広く選択されている。 浅層構造を持つ超解像群CNN(ESRGCNN)を提案する。 ESRGCNNは、SISRの性能、複雑さ、実行速度、画質評価およびSISRの視覚効果の観点から、最先端技術を上回っていると報告されている。
  論文  参考訳（メタデータ） (2022-05-29T00:34:25Z)
• Hierarchical Deep CNN Feature Set-Based Representation Learning for Robust Cross-Resolution Face Recognition [59.29808528182607]
  クロスリゾリューション顔認識(CRFR)は、インテリジェントな監視およびバイオメトリックフォレンジックにおいて重要である。 既存の浅層学習と深層学習に基づく手法は、HR-LR対を共同特徴空間にマッピングすることに焦点を当てている。 本研究では,多レベル深層畳み込みニューラルネットワーク(CNN)の機能を完全に活用し,堅牢なCRFRを実現することを目的とする。
  論文  参考訳（メタデータ） (2021-03-25T14:03:42Z)
• Analysis and evaluation of Deep Learning based Super-Resolution algorithms to improve performance in Low-Resolution Face Recognition [0.0]
  超解像アルゴリズムは、関係する被験者の識別特性を回復することができる。 このプロジェクトは、顔の超解像のタスクのための異なるディープニューラルネットワークアーキテクチャを評価し、適応することを目的とした。 実験により、一般的なスーパーレゾリューションアーキテクチャは、高レゾリューション顔で訓練されたディープニューラルネットワークのフェイス検証性能を向上させることが判明した。
  論文  参考訳（メタデータ） (2021-01-19T02:41:57Z)
• Complex-valued Iris Recognition Network [44.40424033688897]
  我々は、虹彩認識のタスクのために、完全に複雑に評価されたニューラルネットワークを設計する。 ND-CrossSensor-2013, CASIA-Iris-Thousand, UBIRIS.v2の3つのベンチマークデータセットで実験を行った。 我々は、複雑な価値ネットワークを、標準的な実価値ネットワークと比較すると、虹彩テクスチャから根本的に異なる特徴を抽出する方法を伝えるために、可視化スキームを利用する。
  論文  参考訳（メタデータ） (2020-11-23T03:36:18Z)
• Learning Enriched Features for Real Image Restoration and Enhancement [166.17296369600774]
  畳み込みニューラルネットワーク(CNN)は、画像復元作業における従来のアプローチよりも劇的に改善されている。 ネットワーク全体を通して空間的精度の高い高解像度表現を維持することを目的とした,新しいアーキテクチャを提案する。 提案手法は,高解像度の空間的詳細を同時に保存しながら,複数のスケールからの文脈情報を組み合わせた豊富な特徴集合を学習する。
  論文  参考訳（メタデータ） (2020-03-15T11:04:30Z)

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。