論文の概要: Deep Learning for Iris Recognition: A Review

• arxiv url: http://arxiv.org/abs/2303.08514v1
• Date: Wed, 15 Mar 2023 10:45:21 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-16 14:09:44.567540
• Title: Deep Learning for Iris Recognition: A Review
• Title（参考訳）: iris認識のためのディープラーニング
• Authors: Yimin Yin, Siliang He, Renye Zhang, Hongli Chang, Xu Han, Jinghua Zhang
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 7.884782855865438
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Iris recognition is a secure biometric technology known for its stability and privacy. With no two irises being identical and little change throughout a person's lifetime, iris recognition is considered more reliable and less susceptible to external factors than other biometric recognition methods. Unlike traditional machine learning-based iris recognition methods, deep learning technology does not rely on feature engineering and boasts excellent performance. This paper collects 120 relevant papers to summarize the development of iris recognition based on deep learning. We first introduce the background of iris recognition and the motivation and contribution of this survey. Then, we present the common datasets widely used in iris recognition. After that, we summarize the key tasks involved in the process of iris recognition based on deep learning technology, including identification, segmentation, presentation attack detection, and localization. Finally, we discuss the challenges and potential development of iris recognition. This review provides a comprehensive sight of the research of iris recognition based on deep learning.
• Abstract（参考訳）: iris認識は、その安定性とプライバシで知られている安全な生体認証技術である。 2つの虹彩は1人の生涯を通して同一でほとんど変化しないため、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。 まず,虹彩認識の背景と本調査の動機と貢献について紹介する。 次に,虹彩認識に広く用いられている共通データセットを提案する。 その後、識別、セグメンテーション、プレゼンテーションアタック検出、ローカライゼーションなど、ディープラーニング技術に基づく虹彩認識のプロセスにおける重要なタスクを要約する。 最後に,虹彩認識の課題と可能性について論じる。 本稿では,ディープラーニングに基づく虹彩認識の研究を包括的に見ていく。

関連論文リスト

• Artificial Pupil Dilation for Data Augmentation in Iris Semantic Segmentation [0.0]
  現代の虹彩認識のアプローチでは、深層学習を用いて虹彩の有効部分を眼の他の部分から切り離す。 本稿では,新しいデータ拡張手法を導入することにより,虹彩意味分節システムの精度を向上させることを目的とする。
  論文  参考訳（メタデータ） (2022-12-24T13:31:56Z)
• 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)
• Deep Learning for Iris Recognition: A Survey [66.55441036931555]
  我々は、虹彩生体計測における2つの主要なサブタスク(セグメンテーションと認識)のために開発された深層学習手法を包括的に分析する。 第3に,特に死後虹彩認識において,法医学的応用のための深層学習手法を深く研究した。 第4に、虹彩認識のためのディープラーニング技術におけるオープンソースのリソースとツールについてレビューする。
  論文  参考訳（メタデータ） (2022-10-12T01:58:09Z)
• Human Saliency-Driven Patch-based Matching for Interpretable Post-mortem Iris Recognition [5.7477871490034005]
  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。
  論文  参考訳（メタデータ） (2022-08-03T19:40:44Z)
• 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)
• Direct attacks using fake images in iris verification [59.68607707427014]
  BioSecベースラインデータベースの実際のアイリスから偽アイリス画像のデータベースが作成されている。 本システムは直接攻撃に対して脆弱であることを示し,対策の重要性を指摘する。
  論文  参考訳（メタデータ） (2021-10-30T05:01:06Z)
• 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)
• Deep Learning for Person Re-identification: A Survey and Outlook [233.36948173686602]
  人物再識別(Re-ID)は、複数の重複しないカメラを通して興味ある人物を検索することを目的としている。 人物のRe-IDシステム開発に関わるコンポーネントを分離することにより、それをクローズドワールドとオープンワールドのセッティングに分類する。
  論文  参考訳（メタデータ） (2020-01-13T12:49:22Z)
• 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。