論文の概要: Single Domain Dynamic Generalization for Iris Presentation Attack Detection

• arxiv url: http://arxiv.org/abs/2305.12800v1
• Date: Mon, 22 May 2023 07:54:13 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-23 17:42:04.995320
• Title: Single Domain Dynamic Generalization for Iris Presentation Attack Detection
• Title（参考訳）: iris提示攻撃検出のための単一ドメイン動的一般化
• Authors: Yachun Li, Jingjing Wang, Yuhui Chen, Di Xie, Shiliang Pu
• Abstract要約: アイリスプレゼンテーションの一般化はドメイン内の設定では大きな成功を収めたが、目に見えないドメインでは容易に分解できる。 本稿では,ドメイン不変性とドメイン固有性を利用した単一ドメイン動的一般化(SDDG)フレームワークを提案する。 提案手法は有効であり,LivDet-Iris 2017データセットの最先端性を上回っている。
• 参考スコア（独自算出の注目度）: 41.126916126040655
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Iris presentation attack detection (PAD) has achieved great success under intra-domain settings but easily degrades on unseen domains. Conventional domain generalization methods mitigate the gap by learning domain-invariant features. However, they ignore the discriminative information in the domain-specific features. Moreover, we usually face a more realistic scenario with only one single domain available for training. To tackle the above issues, we propose a Single Domain Dynamic Generalization (SDDG) framework, which simultaneously exploits domain-invariant and domain-specific features on a per-sample basis and learns to generalize to various unseen domains with numerous natural images. Specifically, a dynamic block is designed to adaptively adjust the network with a dynamic adaptor. And an information maximization loss is further combined to increase diversity. The whole network is integrated into the meta-learning paradigm. We generate amplitude perturbed images and cover diverse domains with natural images. Therefore, the network can learn to generalize to the perturbed domains in the meta-test phase. Extensive experiments show the proposed method is effective and outperforms the state-of-the-art on LivDet-Iris 2017 dataset.
• Abstract（参考訳）: Iris Present attack Detection (PAD)はドメイン内の設定では大きな成功を収めたが、目に見えないドメインでは容易に分解できる。 従来のドメイン一般化法は、ドメイン不変特徴を学習することでギャップを緩和する。 しかし、それらはドメイン特有の特徴の識別情報を無視する。 さらに、トレーニング用に1つのドメインしか持たない、より現実的なシナリオに直面します。 上記の課題に対処するため,単体ドメイン動的一般化(SDDG)フレームワークを提案する。 特に、動的ブロックは、動的アダプタでネットワークを適応的に調整するように設計されている。 そして、情報の最大化損失をさらに組み合わせて多様性を高める。 ネットワーク全体がメタ学習パラダイムに統合されている。 振幅摂動画像を生成し,多様な領域を自然画像でカバーする。 したがって、ネットワークは、メタテストフェーズにおける摂動ドメインへの一般化を学ぶことができる。 大規模な実験では、提案手法が有効であり、LivDet-Iris 2017データセットの最先端性能を上回っている。

関連論文リスト

• Prompt-Driven Dynamic Object-Centric Learning for Single Domain Generalization [61.64304227831361]
  単一ドメインの一般化は、単一のソースドメインデータからモデルを学び、他の見えないターゲットドメイン上での一般的なパフォーマンスを達成することを目的としている。 本稿では,画像の複雑さの変化に対応することを目的とした,素早い学習に基づく動的物体中心知覚ネットワークを提案する。
  論文  参考訳（メタデータ） (2024-02-28T16:16:51Z)
• Domain-Controlled Prompt Learning [49.45309818782329]
  既存の素早い学習方法はドメイン認識やドメイン転送機構を欠いていることが多い。 特定のドメインに対するtextbfDomain-Controlled Prompt Learningを提案する。 本手法は,特定の領域画像認識データセットにおける最先端性能を実現する。
  論文  参考訳（メタデータ） (2023-09-30T02:59:49Z)
• Adaptive Mixture of Experts Learning for Generalizable Face Anti-Spoofing [37.75738807247752]
  ドメイン一般化(DG)に基づく反偽造防止アプローチが注目されている。 既存のDGベースのFASアプローチは、様々な目に見えない領域を一般化するために、ドメイン不変の特徴を常に捉えている。 このフレームワークは、ドメイン固有の情報を利用して、目に見えないソースドメインと未知のターゲットドメイン間のリンクを適応的に確立する。
  論文  参考訳（メタデータ） (2022-07-20T13:02:51Z)
• Dynamic Instance Domain Adaptation [109.53575039217094]
  教師なしのドメイン適応に関するほとんどの研究は、各ドメインのトレーニングサンプルがドメインラベルを伴っていると仮定している。 適応的な畳み込みカーネルを持つ動的ニューラルネットワークを開発し、各インスタンスにドメインに依存しない深い特徴を適応させるために、インスタンス適応残差を生成する。 我々のモデルはDIDA-Netと呼ばれ、複数の一般的な単一ソースおよび複数ソースのUDAデータセット上で最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2022-03-09T20:05:54Z)
• META: Mimicking Embedding via oThers' Aggregation for Generalizable Person Re-identification [68.39849081353704]
  Domain Generalizable (DG) Person Re-identification (ReID)は、トレーニング時に対象のドメインデータにアクセスすることなく、見えないドメインをまたいでテストすることを目的としている。 本稿では,DG ReID のための OThers' Aggregation (META) を用いた Mimicking Embedding という新しい手法を提案する。
  論文  参考訳（メタデータ） (2021-12-16T08:06:50Z)
• Exploiting Domain-Specific Features to Enhance Domain Generalization [10.774902700296249]
  ドメイン一般化(Domain Generalization, DG)は、観測されていないターゲットドメインで正常に動作するために、複数の観測されたソースドメインからモデルをトレーニングすることを目的としている。 以前のDGアプローチでは、ターゲットドメインを一般化するために、ソース間でのドメイン不変情報を抽出することに重点を置いていた。 本稿ではメタドメイン固有ドメイン不変量(mD)を提案する。
  論文  参考訳（メタデータ） (2021-10-18T15:42:39Z)
• AFAN: Augmented Feature Alignment Network for Cross-Domain Object Detection [90.18752912204778]
  オブジェクト検出のための教師なしドメイン適応は、多くの現実世界のアプリケーションにおいて難しい問題である。 本稿では、中間領域画像生成とドメイン・アドバイザリー・トレーニングを統合した新しい機能アライメント・ネットワーク(AFAN)を提案する。 提案手法は、類似および異種ドメイン適応の双方において、標準ベンチマークにおける最先端の手法よりも大幅に優れている。
  論文  参考訳（メタデータ） (2021-06-10T05:01:20Z)
• Progressive Domain Expansion Network for Single Domain Generalization [12.962460627678555]
  単一領域一般化のためのプログレッシブ・ドメイン拡張ネットワーク(PDEN)と呼ばれる新しい学習フレームワークを提案する。 PDENは最先端の単一ドメイン一般化法と比較して最大15.28%改善できる。
  論文  参考訳（メタデータ） (2021-03-30T03:31:55Z)

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。