論文の概要: TinySiamese Network for Biometric Analysis
- arxiv url: http://arxiv.org/abs/2307.00578v1
- Date: Sun, 2 Jul 2023 14:15:52 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-05 15:17:07.780684
- Title: TinySiamese Network for Biometric Analysis
- Title（参考訳）: バイオメトリック解析のためのtinysiamese network
- Authors: Islem Jarraya, Tarek M. Hamdani, Habib Chabchoub, Adel M. Alimi
- Abstract要約: バイオメトリック認識は、畳み込みニューラルネットワーク(CNN)やシームズネットワークなど、機械学習アルゴリズムを必要とする複雑なタスクである。
提案されたTinySiameseと標準のSiameseの主な利点は、トレーニングにCNN全体を必要としないことである。
CNNを特徴抽出器として使用し、TinySiameseを用いて抽出した特徴を学習することで、生体認証の標準であるSiameseとほぼ同等の性能と効率が得られた。
- 参考スコア（独自算出の注目度）: 4.182752531593034
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Biometric recognition is the process of verifying or classifying human
characteristics in images or videos. It is a complex task that requires machine
learning algorithms, including convolutional neural networks (CNNs) and Siamese
networks. Besides, there are several limitations to consider when using these
algorithms for image verification and classification tasks. In fact, training
may be computationally intensive, requiring specialized hardware and
significant computational resources to train and deploy. Moreover, it
necessitates a large amount of labeled data, which can be time-consuming and
costly to obtain. The main advantage of the proposed TinySiamese compared to
the standard Siamese is that it does not require the whole CNN for training. In
fact, using a pre-trained CNN as a feature extractor and the TinySiamese to
learn the extracted features gave almost the same performance and efficiency as
the standard Siamese for biometric verification. In this way, the TinySiamese
solves the problems of memory and computational time with a small number of
layers which did not exceed 7. It can be run under low-power machines which
possess a normal GPU and cannot allocate a large RAM space. Using TinySiamese
with only 8 GO of memory, the matching time decreased by 76.78% on the B2F
(Biometric images of Fingerprints and Faces), FVC2000, FVC2002 and FVC2004
while the training time for 10 epochs went down by approximately 93.14% on the
B2F, FVC2002, THDD-part1 and CASIA-B datasets. The accuracy of the fingerprint,
gait (NM-angle 180 degree) and face verification tasks was better than the
accuracy of a standard Siamese by 0.87%, 20.24% and 3.85% respectively.
TinySiamese achieved comparable accuracy with related works for the fingerprint
and gait classification tasks.
- Abstract（参考訳）: バイオメトリック認識(biometric recognition)は、画像やビデオにおける人間の特性を検証または分類するプロセスである。
これは、畳み込みニューラルネットワーク(CNN)やシームズネットワークなど、機械学習アルゴリズムを必要とする複雑なタスクである。
さらに、これらのアルゴリズムを画像検証や分類タスクに使用する場合、考慮すべきいくつかの制限がある。
実際、トレーニングは計算集約的であり、トレーニングとデプロイには特別なハードウェアと重要な計算リソースが必要である。
さらに、大量のラベル付きデータが必要であり、時間と費用がかかる。
提案されたTinySiameseと標準のSiameseの主な利点は、トレーニングにCNN全体を必要としないことである。
実際、予め訓練されたcnnを特徴抽出器とtinysiameseを使って抽出された特徴を学習することは、生体認証の標準のsiameseとほとんど同じ性能と効率をもたらした。
このようにして、tinysiameseは、メモリと計算時間の問題を、少ない層で解決する。
通常のGPUを持ち、大きなRAMスペースを割り当てることができない低消費電力マシンで実行することができる。
わずか8 GOのTinySiameseを使用すると、マッチング時間はB2F(指紋と顔の生体画像)、FVC2000、FVC2002、FVC2004で76.78%減少し、10エポックのトレーニング時間はB2F、FVC2002、THDD-part1、CASIA-Bデータセットで93.14%減少した。
指紋、歩行(NM角180度)、顔認証の精度は標準シームズの精度よりも0.87%、20.24%、および3.85%向上した。
TinySiameseは指紋および歩行分類タスクに関連する作業と同等の精度を達成した。
関連論文リスト
- Fast-iTPN: Integrally Pre-Trained Transformer Pyramid Network with Token
Migration [138.24994198567794]
ITPNは2つの精巧な設計で生まれ、1)視覚変換器を用いた最初の事前訓練型特徴ピラミッド(ViT)である。
Fast-iTPNは推論手順を最大70%高速化でき、性能損失は無視できる。
論文 参考訳（メタデータ） (2022-11-23T06:56:12Z) - On-Device Training Under 256KB Memory [62.95579393237751]
本稿では,256KBのメモリでデバイス上でのトレーニングを可能にするアルゴリズム・システム協調設計フレームワークを提案する。
私たちのフレームワークは256KBと1MBのFlashで畳み込みニューラルネットワークのデバイス上での小さなトレーニングを可能にする最初のソリューションです。
論文 参考訳（メタデータ） (2022-06-30T17:59:08Z) - What's the Difference? The potential for Convolutional Neural Networks
for transient detection without template subtraction [0.0]
本稿では、画像から天体物理学的トランジェントを分離するための畳み込みニューラルネットワーク(CNN)の可能性について検討する。
ダーク・エナジー・サーベイのデータを用いて、我々はCNNを用いて「リアル・ボガス」分類を自動化する。
論文 参考訳（メタデータ） (2022-03-14T18:00:03Z) - Pixel Difference Networks for Efficient Edge Detection [71.03915957914532]
本稿では,Pixel Difference Network (PiDiNet) という軽量かつ効率的なエッジ検出アーキテクチャを提案する。
BSDS500、NYUD、Multicueのデータセットに関する大規模な実験が、その効果を示すために提供されている。
0.1M未満のパラメータを持つPiDiNetのより高速なバージョンは、200FPSのアーティファクトで同等のパフォーマンスを達成できる。
論文 参考訳（メタデータ） (2021-08-16T10:42:59Z) - Memory Efficient Meta-Learning with Large Images [62.70515410249566]
数ショットの分類に対するメタ学習アプローチは、新しいタスクを学ぶために、ほんの数ステップの最適化やシングルフォワードパスを必要とするテスト時に計算的に効率的である。
この制限は、最大1000のイメージを含むタスクの全体サポートセットが、最適化ステップを取る前に処理されなければならないために生じる。
本稿では,1つのGPU上の大容量画像からなる大規模タスクのメタトレーニングを可能にする,汎用的でメモリ効率の良いエピソード・トレーニング手法であるLITEを提案する。
論文 参考訳（メタデータ） (2021-07-02T14:37:13Z) - Multi-Agent Semi-Siamese Training for Long-tail and Shallow Face
Learning [54.13876727413492]
多くの現実世界の顔認識シナリオでは、トレーニングデータセットの深さは浅いため、IDごとに2つの顔画像しか利用できません。
非均一なサンプルの増加により、このような問題はより一般的なケース、すなわち長い尾の顔学習に変換される。
これらの問題に対処するために,マルチエージェントセミシアントレーニング(masst)という高度なソリューションを導入する。
広範な実験と比較は、長い尾と浅い顔学習のためのMASSTの利点を示しています。
論文 参考訳（メタデータ） (2021-05-10T04:57:32Z) - Recognition of handwritten MNIST digits on low-memory 2 Kb RAM Arduino
board using LogNNet reservoir neural network [0.0]
LogNNet貯留層ニューラルネットワーク上に作成されたMNISTデータベースの手書き桁を認識するための提示されたアルゴリズムは、82%の認識精度に達する。
アルゴリズムの単純な構造は、適切なトレーニングとともに、医学における有害事象の早期診断のためのモバイルバイオセンサーの作成など、幅広い応用に適応することができる。
論文 参考訳（メタデータ） (2021-04-20T18:16:23Z) - Facial Masks and Soft-Biometrics: Leveraging Face Recognition CNNs for
Age and Gender Prediction on Mobile Ocular Images [53.913598771836924]
スマートフォンで撮影した自撮り眼画像を使って年齢や性別を推定します。
ImageNet Challengeの文脈で提案された2つの既存の軽量CNNを適応させる。
一部のネットワークは顔認識のためにさらにトレーニングされており、非常に大規模なトレーニングデータベースが利用可能です。
論文 参考訳（メタデータ） (2021-03-31T01:48:29Z) - Satellite Image Classification with Deep Learning [0.0]
IARPA関数マップ(FMoW)データセットから対象物や施設を63のクラスに分類する深層学習システムについて述べる。
このシステムは、畳み込みニューラルネットワークと、衛星メタデータと画像特徴を統合する追加のニューラルネットワークのアンサンブルで構成されている。
執筆時点では、このシステムはfMoW TopCoderコンペティションで2位だ。
論文 参考訳（メタデータ） (2020-10-13T15:56:58Z) - Dog Identification using Soft Biometrics and Neural Networks [1.2922946578413577]
ペットの身元を決定するため,ペットの写真にディープニューラルネットワークなどの高度な機械学習モデルを適用した。
我々は,ペットの顔写真などの「硬い」バイオメトリックスと融合する際に,品種,身長,性別などの異なるタイプの「軟い」バイオメトリックスを使用することの可能性を探る。
提案したネットワークは,2種の犬種間の相違により,90.80%と91.29%の精度を達成できる。
論文 参考訳（メタデータ） (2020-07-22T10:22:46Z)
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。