論文の概要: MRA-GNN: Minutiae Relation-Aware Model over Graph Neural Network for
Fingerprint Embedding
- arxiv url: http://arxiv.org/abs/2307.16416v1
- Date: Mon, 31 Jul 2023 05:54:06 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-01 15:51:36.097746
- Title: MRA-GNN: Minutiae Relation-Aware Model over Graph Neural Network for
Fingerprint Embedding
- Title（参考訳）: MRA-GNN:フィンガープリント埋め込みのためのグラフニューラルネットワーク上の最小関係認識モデル
- Authors: Yapeng Su, Tong Zhao, Zicheng Zhang
- Abstract要約: グラフニューラルネットワーク(MRA-GNN)上でのMinutiae Relation-Awareモデルと呼ばれる,指紋埋め込みのための新しいパラダイムを提案する。
提案手法は,指紋のトポロジと相関を記述的特徴にエンコードするために,指紋埋め込みにGNNベースのフレームワークを組み込んだものである。
我々は,MRA-GNNにTRM(Topological Relation Reasoning Module)とCAM(Relation-Aware Module)を設け,これらのグラフから指紋の埋め込みをうまく学習する。
- 参考スコア（独自算出の注目度）: 4.5262471547727845
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep learning has achieved remarkable results in fingerprint embedding, which
plays a critical role in modern Automated Fingerprint Identification Systems.
However, previous works including CNN-based and Transformer-based approaches
fail to exploit the nonstructural data, such as topology and correlation in
fingerprints, which is essential to facilitate the identifiability and
robustness of embedding. To address this challenge, we propose a novel paradigm
for fingerprint embedding, called Minutiae Relation-Aware model over Graph
Neural Network (MRA-GNN). Our proposed approach incorporates a GNN-based
framework in fingerprint embedding to encode the topology and correlation of
fingerprints into descriptive features, achieving fingerprint representation in
the form of graph embedding. Specifically, we reinterpret fingerprint data and
their relative connections as vertices and edges respectively, and introduce a
minutia graph and fingerprint graph to represent the topological relations and
correlation structures of fingerprints. We equip MRA-GNN with a Topological
relation Reasoning Module (TRM) and Correlation-Aware Module (CAM) to learn the
fingerprint embedding from these graphs successfully. To tackle the
over-smoothing problem in GNN models, we incorporate Feed-Forward Module and
graph residual connections into proposed modules. The experimental results
demonstrate that our proposed approach outperforms state-of-the-art methods on
various fingerprint datasets, indicating the effectiveness of our approach in
exploiting nonstructural information of fingerprints.
- Abstract（参考訳）: 深層学習は指紋の埋め込みにおいて顕著な成果を上げており、現代の自動指紋識別システムにおいて重要な役割を担っている。
しかし、cnnベースやtransformerベースのアプローチを含む以前の作品は、指紋のトポロジーや相関といった非構造データを利用することができず、埋め込みの識別性と堅牢性を促進するために不可欠である。
本稿では,グラフニューラルネットワーク(mra-gnn)上のminutiaeリレーショナルアウェアモデルと呼ばれる,指紋埋め込みの新しいパラダイムを提案する。
提案手法は,フィンガープリント埋め込みにgnnベースのフレームワークを組み込んで,フィンガープリントのトポロジーと相関を記述的特徴にエンコードし,グラフ埋め込みの形でフィンガープリント表現を実現する。
具体的には、指紋データとそれらの相対接続をそれぞれ頂点とエッジとして解釈し、指紋の位相関係と相関構造を表すminutiaグラフとfingergraphを導入する。
我々はMRA-GNNにTRM(Topological Relation Reasoning Module)とCAM(Relation-Aware Module)を設け,これらのグラフから指紋の埋め込みをうまく学習する。
gnnモデルにおける過剰スモーシング問題に取り組むために,フィードフォワードモジュールとグラフ残差接続を提案モジュールに組み込む。
実験結果から,本手法は指紋の非構造的情報を活用する上でのアプローチの有効性が示唆された。
関連論文リスト
- Causality-based Subject and Task Fingerprints using fMRI Time-series Data [8.268840872881213]
本稿では,「因果指紋」の概念を開拓し,定量化する。
実験結果と非因果性に基づく手法との比較により,提案手法の有効性が示された。
我々の研究は、健康管理と神経変性疾患の両方に適用可能な因果指紋のさらなる研究の道を開く。
論文 参考訳（メタデータ） (2024-09-26T21:10:50Z) - Securing Graph Neural Networks in MLaaS: A Comprehensive Realization of Query-based Integrity Verification [68.86863899919358]
我々は機械学習におけるGNNモデルをモデル中心の攻撃から保護するための画期的なアプローチを導入する。
提案手法は,GNNの完全性に対する包括的検証スキーマを含み,トランスダクティブとインダクティブGNNの両方を考慮している。
本稿では,革新的なノード指紋生成アルゴリズムを組み込んだクエリベースの検証手法を提案する。
論文 参考訳（メタデータ） (2023-12-13T03:17:05Z) - FPGAN-Control: A Controllable Fingerprint Generator for Training with
Synthetic Data [7.203557048672379]
画像生成フレームワークであるFPGAN-Controlについて述べる。
指紋の識別と外観特性の絡み合いを助長する新規な外観損失を導入する。
FPGAN-Controlのメリットを,アイデンティティレベル,外観制御の程度,合成ドメイン間ギャップの低さの観点から定量的かつ定性的に示す。
論文 参考訳（メタデータ） (2023-10-29T14:30:01Z) - DEGREE: Decomposition Based Explanation For Graph Neural Networks [55.38873296761104]
我々は,GNN予測に対する忠実な説明を提供するためにDGREEを提案する。
GNNの情報生成と集約機構を分解することにより、DECREEは入力グラフの特定のコンポーネントのコントリビューションを最終的な予測に追跡することができる。
また,従来の手法で見過ごされるグラフノード間の複雑な相互作用を明らかにするために,サブグラフレベルの解釈アルゴリズムを設計する。
論文 参考訳（メタデータ） (2023-05-22T10:29:52Z) - GrOVe: Ownership Verification of Graph Neural Networks using Embeddings [13.28269672097063]
グラフニューラルネットワーク(GNN)は、大規模グラフ構造化データから推論をモデル化および描画するための最先端のアプローチとして登場した。
以前の研究によると、GNNは抽出攻撃をモデル化する傾向がある。
GrOVeは最先端のGNNモデルフィンガープリント方式である。
論文 参考訳（メタデータ） (2023-04-17T19:06:56Z) - AFR-Net: Attention-Driven Fingerprint Recognition Network [47.87570819350573]
指紋認識を含む生体認証における視覚変換器(ViT)の使用に関する初期研究を改善する。
ネットワーク内の中間特徴マップから抽出した局所的な埋め込みを用いて,グローバルな埋め込みを低確かさで洗練する手法を提案する。
この戦略は、既存のディープラーニングネットワーク(アテンションベース、CNNベース、あるいはその両方を含む)のラッパーとして適用することで、パフォーマンスを向上させることができる。
論文 参考訳（メタデータ） (2022-11-25T05:10:39Z) - Discovering the Representation Bottleneck of Graph Neural Networks from
Multi-order Interactions [51.597480162777074]
グラフニューラルネットワーク(GNN)は、ノード機能を伝搬し、インタラクションを構築するためにメッセージパッシングパラダイムに依存している。
最近の研究は、異なるグラフ学習タスクはノード間の異なる範囲の相互作用を必要とすることを指摘している。
科学領域における2つの共通グラフ構築法、すなわち、emphK-nearest neighbor(KNN)グラフとemphfully-connected(FC)グラフについて検討する。
論文 参考訳（メタデータ） (2022-05-15T11:38:14Z) - ProxyFAUG: Proximity-based Fingerprint Augmentation [81.15016852963676]
ProxyFAUGはルールベースで近接性に基づく指紋増強法である。
このデータセット上で最高のパフォーマンスの測位法は、中央値エラーで40%改善され、平均誤差で6%向上した。
論文 参考訳（メタデータ） (2021-02-04T15:59:30Z) - Data-Driven Learning of Geometric Scattering Networks [74.3283600072357]
最近提案された幾何散乱変換の緩和に基づく新しいグラフニューラルネットワーク(GNN)モジュールを提案する。
我々の学習可能な幾何散乱(LEGS)モジュールは、ウェーブレットの適応的なチューニングを可能にし、学習された表現に帯域通過の特徴が現れるように促す。
論文 参考訳（メタデータ） (2020-10-06T01:20:27Z) - Dense Registration and Mosaicking of Fingerprints by Training an
End-to-End Network [36.50244665233824]
エンド・ツー・エンド・ネットワークをトレーニングし、2つの指紋間の画素単位の変位場を出力する。
また,最適なシーム選択に基づく指紋モザイク手法を提案する。
我々の登録法は,従来の密度の高い登録方法よりも精度と効率が優れている。
論文 参考訳（メタデータ） (2020-04-13T14:47:00Z)
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。