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
- 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) - 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) - Untrained, physics-informed neural networks for structured illumination
microscopy [0.456877715768796]
我々は、深層ニューラルネットワークと構造化照明プロセスの前方モデルを組み合わせることで、トレーニングデータなしでサブ回折像を再構成できることを示す。
結果として生じる物理インフォームドニューラルネットワーク(PINN)は、単一の回折制限されたサブイメージセットに最適化することができる。
論文 参考訳(メタデータ) (2022-07-15T19:02:07Z) - 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) - Deep Iterative Residual Convolutional Network for Single Image
Super-Resolution [31.934084942626257]
我々は、ISRResCNet(Deep Iterative Super-Resolution Residual Convolutional Network)を提案する。
残差学習アプローチを用いて、深層ネットワークを反復的に訓練することにより、強力な画像正規化と大規模最適化手法を活用する。
トレーニング可能なパラメータがいくつかある本手法は,最先端の手法と比較して,異なるスケーリング要因に対する結果を改善する。
論文 参考訳(メタデータ) (2020-09-07T12:54:14Z) - 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。