論文の概要: Multiscale Dynamic Graph Representation for Biometric Recognition with Occlusions

• arxiv url: http://arxiv.org/abs/2307.14617v1
• Date: Thu, 27 Jul 2023 04:18:08 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-28 15:49:43.024498
• Title: Multiscale Dynamic Graph Representation for Biometric Recognition with Occlusions
• Title（参考訳）: 咬合を用いたバイオメトリック認識のためのマルチスケールダイナミックグラフ表現
• Authors: Min Ren, Yunlong Wang, Yuhao Zhu, Kunbo Zhang, Zhenan Sun
• Abstract要約: 咬合は、野生における生体認証の一般的な問題である。 本稿では,CNNとグラフモデルの両方の利点を統合した新しい統一フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 43.05765549682057
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Occlusion is a common problem with biometric recognition in the wild. The generalization ability of CNNs greatly decreases due to the adverse effects of various occlusions. To this end, we propose a novel unified framework integrating the merits of both CNNs and graph models to overcome occlusion problems in biometric recognition, called multiscale dynamic graph representation (MS-DGR). More specifically, a group of deep features reflected on certain subregions is recrafted into a feature graph (FG). Each node inside the FG is deemed to characterize a specific local region of the input sample, and the edges imply the co-occurrence of non-occluded regions. By analyzing the similarities of the node representations and measuring the topological structures stored in the adjacent matrix, the proposed framework leverages dynamic graph matching to judiciously discard the nodes corresponding to the occluded parts. The multiscale strategy is further incorporated to attain more diverse nodes representing regions of various sizes. Furthermore, the proposed framework exhibits a more illustrative and reasonable inference by showing the paired nodes. Extensive experiments demonstrate the superiority of the proposed framework, which boosts the accuracy in both natural and occlusion-simulated cases by a large margin compared with that of baseline methods.
• Abstract（参考訳）: 咬合は野生の生体認証において一般的な問題である。 CNNの一般化能力は、様々な閉塞の影響により大幅に低下する。 そこで本研究では,生体認証におけるオクルージョン問題を克服するために,cnnとグラフモデルの利点を統合する新しい統一フレームワークであるmultiscale dynamic graph representation (ms-dgr)を提案する。 具体的には、ある部分領域に反映された深い特徴群を特徴グラフ(FG)に再構成する。 FG内の各ノードは、入力されたサンプルの特定の局所領域を特徴付けるものとされ、エッジは非閉塞領域の共起を意味する。 ノード表現の類似性を解析し、隣接する行列に格納されたトポロジ構造を測定することにより、提案するフレームワークは動的グラフマッチングを利用して、オクルードされた部分に対応するノードを公平に破棄する。 マルチスケール戦略は、様々なサイズの領域を表すより多様なノードを獲得するためにさらに組み込まれている。 さらに、提案フレームワークは、ペアノードを示すことにより、より説明的かつ合理的な推論を示す。 大規模な実験により,本フレームワークの優位性が示され,本フレームワークは,本手法と比較して,自然および咬合シミュレーションの両方の精度を大きなマージンで向上させる。

関連論文リスト

• DFGET: Displacement-Field Assisted Graph Energy Transmitter for Gland Instance Segmentation [1.907126872483548]
  これらの問題を解決するために、変位場支援グラフエネルギー送信機(DFGET)フレームワークを提案する。 具体的には、異方性拡散に基づく新しいメッセージパッシング手法を開発し、ノードの特徴を更新する。 DFの制約により、拡散理論に基づくグラフクラスタモジュールがクラス内の特徴整合性を改善するために提示される。
  論文  参考訳（メタデータ） (2023-12-11T01:42:10Z)
• BOURNE: Bootstrapped Self-supervised Learning Framework for Unified Graph Anomaly Detection [50.26074811655596]
  自己指導型自己学習(BOURNE)に基づく新しい統合グラフ異常検出フレームワークを提案する。 ノードとエッジ間のコンテキスト埋め込みを交換することで、ノードとエッジの異常を相互に検出できる。 BOURNEは、負のサンプリングを必要としないため、大きなグラフを扱う際の効率を高めることができる。
  論文  参考訳（メタデータ） (2023-07-28T00:44:57Z)
• Histopathology Whole Slide Image Analysis with Heterogeneous Graph Representation Learning [78.49090351193269]
  本稿では,WSI分析のために,異なる種類の核間の相互関係を利用する新しいグラフベースのフレームワークを提案する。 具体的には、WSI を各ノードに "nucleus-type" 属性と各エッジに類似した意味属性を持つ異種グラフとして定式化する。 我々のフレームワークは、様々なタスクに対してかなりのマージンで最先端の手法より優れています。
  論文  参考訳（メタデータ） (2023-07-09T14:43:40Z)
• Geometric Graph Representation Learning via Maximizing Rate Reduction [73.6044873825311]
  学習ノード表現は、コミュニティ検出やノード分類などのグラフ解析において、さまざまな下流タスクの恩恵を受ける。 教師なしの方法でノード表現を学習するための幾何学グラフ表現学習(G2R)を提案する。 G2R は異なるグループ内のノードを異なる部分空間にマッピングし、各部分空間はコンパクトで異なる部分空間が分散される。
  論文  参考訳（メタデータ） (2022-02-13T07:46:24Z)
• Spectral-Spatial Global Graph Reasoning for Hyperspectral Image Classification [50.899576891296235]
  畳み込みニューラルネットワークは、ハイパースペクトル画像分類に広く応用されている。 近年の手法は空間トポロジのグラフ畳み込みによってこの問題に対処しようとしている。
  論文  参考訳（メタデータ） (2021-06-26T06:24:51Z)
• Spatial-spectral Hyperspectral Image Classification via Multiple Random Anchor Graphs Ensemble Learning [88.60285937702304]
  本稿では,複数のランダムアンカーグラフアンサンブル学習(RAGE)を用いた空間スペクトルHSI分類手法を提案する。 まず、各選択されたバンドのより記述的な特徴を抽出し、局所的な構造と領域の微妙な変化を保存するローカルバイナリパターンを採用する。 次に,アンカーグラフの構成に適応隣接代入を導入し,計算複雑性を低減した。
  論文  参考訳（メタデータ） (2021-03-25T09:31:41Z)

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。