論文の概要: Forensic Iris Image Synthesis
- arxiv url: http://arxiv.org/abs/2312.04125v1
- Date: Thu, 7 Dec 2023 08:28:41 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-08 15:41:54.209648
- Title: Forensic Iris Image Synthesis
- Title(参考訳): 法医学アイリス画像合成
- Authors: Rasel Ahmed Bhuiyan, Adam Czajka
- Abstract要約: 死後虹彩認識は、法医学的な設定で虹彩をベースとした人間の識別の新たな応用である。
本論文は, 運動後虹彩サンプルの最大データセットに基づいて訓練された, 条件付きスタイルGANに基づく虹彩合成モデルを提供する。
- 参考スコア(独自算出の注目度): 5.596752018167751
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Post-mortem iris recognition is an emerging application of iris-based human
identification in a forensic setup, able to correctly identify deceased
subjects even three weeks post-mortem. This technique thus is considered as an
important component of future forensic toolkits. The current advancements in
this field are seriously slowed down by exceptionally difficult data
collection, which can happen in mortuary conditions, at crime scenes, or in
``body farm'' facilities. This paper makes a novel contribution to facilitate
progress in post-mortem iris recognition by offering a conditional
StyleGAN-based iris synthesis model, trained on the largest-available dataset
of post-mortem iris samples acquired from more than 350 subjects, generating --
through appropriate exploration of StyleGAN latent space -- multiple
within-class (same identity) and between-class (different new identities)
post-mortem iris images, compliant with ISO/IEC 29794-6, and with decomposition
deformations controlled by the requested PMI (post mortem interval). Besides an
obvious application to enhance the existing, very sparse, post-mortem iris
datasets to advance -- among others -- iris presentation attack endeavors, we
anticipate it may be useful to generate samples that would expose professional
forensic human examiners to never-seen-before deformations for various PMIs,
increasing their training effectiveness. The source codes and model weights are
made available with the paper.
- Abstract(参考訳): 死後虹彩認識は、法医学的な設定で虹彩をベースとした人間の識別の新たな応用であり、死後3週間でも死者を正しく識別することができる。
この手法は将来の法医学的ツールキットの重要な構成要素であると考えられる。
この分野での現在の進歩は、極めて困難なデータ収集によって著しく鈍化しており、これは葬儀場、犯罪現場、または「ボディファーム」施設で起こりうる。
This paper makes a novel contribution to facilitate progress in post-mortem iris recognition by offering a conditional StyleGAN-based iris synthesis model, trained on the largest-available dataset of post-mortem iris samples acquired from more than 350 subjects, generating -through appropriate exploration of StyleGAN latent space -- multiple within-class (same identity) and between-class (different new identities) post-mortem iris images, compliant with ISO/IEC 29794-6, and with decomposition deformations controlled by the requested PMI (post mortem interval).
既存の、非常にスパースな、死後のirisデータセットを -- とりわけ -- irisプレゼンテーションアタックの努力を促進するための明確な応用に加えて、プロの法医学検査員に様々なpmisの変形を決して知覚しないよう露出させ、トレーニング効果を高めるためのサンプルを生成するのに有用であることを期待している。
ソースコードとモデルの重み付けは、この論文で利用可能である。
関連論文リスト
- Diffusion Facial Forgery Detection [56.69763252655695]
本稿では,顔に焦点をあてた拡散生成画像を対象とした包括的データセットであるDiFFを紹介する。
人体実験といくつかの代表的な偽造検出手法を用いて,DiFFデータセットの広範な実験を行った。
その結果、人間の観察者と自動検出者の2値検出精度は30%以下であることが判明した。
論文 参考訳(メタデータ) (2024-01-29T03:20:19Z) - Multi-task Explainable Skin Lesion Classification [54.76511683427566]
少ないラベル付きデータでよく一般化する皮膚病変に対する数発のショットベースアプローチを提案する。
提案手法は,アテンションモジュールや分類ネットワークとして機能するセグメンテーションネットワークの融合を含む。
論文 参考訳(メタデータ) (2023-10-11T05:49:47Z) - Forensic Histopathological Recognition via a Context-Aware MIL Network
Powered by Self-Supervised Contrastive Learning [16.81923407738405]
法医学的病理学を支援するAIベースの計算病理学手法の開発は、事実上有意義である。
本稿では,FPathというフレームワークを提案する。このフレームワークでは,自己監督型コントラスト学習戦略とコンテキスト認識型マルチインスタンス学習ブロックを設計する。
大規模なデータベースには、実験用ラットの死後画像19,607ドル(約1万3000円)、実世界の人間の十進画像3378ドル(約3万3000円)があり、FPathは最先端の精度とクロスドメインの一般化に繋がった。
論文 参考訳(メタデータ) (2023-08-27T07:47:38Z) - ForensicsForest Family: A Series of Multi-scale Hierarchical Cascade
Forests for Detecting GAN-generated Faces [56.1940609104092]
我々は,GAN生成顔を検出するために,EmforensicsForest Familyと呼ばれる簡易かつ効果的な森林法について述べる。
ForenscisForestは、新しく提案された多層階層のカスケード林である。
Hybrid ForensicsForestはCNNレイヤをモデルに統合する。
Divide-and-Conquer ForensicsForestは、トレーニングサンプリングの一部のみを使用して、森林モデルを構築することができる。
論文 参考訳(メタデータ) (2023-08-02T06:41:19Z) - Haven't I Seen You Before? Assessing Identity Leakage in Synthetic
Irises [4.142375560633827]
本稿では, GANトレーニングプロセスの様々な点における3つのアイリスマッチングの解析を行い, 実際のトレーニングサンプルが生成過程を通じて漏洩する危険のある場所と時期を診断する。
以上の結果から,ほとんどの合成サンプルは同一性漏洩の兆候を示していないが,生成したサンプルのごく一部は,ほぼ完璧に一致していることがわかった。
論文 参考訳(メタデータ) (2022-11-03T00:34:47Z) - Generation of Anonymous Chest Radiographs Using Latent Diffusion Models
for Training Thoracic Abnormality Classification Systems [7.909848251752742]
胸部X線写真における生体認証は、研究目的のためにそのようなデータの公開を妨げている。
この研究は、高品質なクラス条件画像の匿名胸部X線データセットを合成するために潜時拡散モデルを用いている。
論文 参考訳(メタデータ) (2022-11-02T17:43:02Z) - Forensicability Assessment of Questioned Images in Recapturing Detection [78.45849869266834]
質問されたサンプルの鑑定可能性の定量化のための鑑定可能性評価ネットワークを提案する。
低フォレンシビリティサンプルは、実際の再適応検出プロセスの前に拒絶され、再適応システムの効率が向上する。
我々は、トレーニングされたFANetと、アンチ・スプーフィングと再適応された文書検出タスクの実践的な再適応検出スキームを統合する。
論文 参考訳(メタデータ) (2022-09-05T12:26:01Z) - 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) - 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) - Beyond the Spectrum: Detecting Deepfakes via Re-Synthesis [69.09526348527203]
ディープフェイク(Deepfakes)として知られる非常に現実的なメディアは、現実の目から人間の目まで区別できない。
本研究では,テスト画像を再合成し,検出のための視覚的手がかりを抽出する,新しい偽検出手法を提案する。
種々の検出シナリオにおいて,提案手法の摂動に対する有効性の向上,GANの一般化,堅牢性を示す。
論文 参考訳(メタデータ) (2021-05-29T21:22:24Z)
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。