論文の概要: Iris-SAM: Iris Segmentation Using a Foundation Model
- arxiv url: http://arxiv.org/abs/2402.06497v3
- Date: Fri, 31 May 2024 01:58:44 GMT
- ステータス: 処理完了
- システム内更新日: 2024-06-03 20:02:19.377908
- Title: Iris-SAM: Iris Segmentation Using a Foundation Model
- Title（参考訳）: Iris-SAM: 基礎モデルを用いたアイリスセグメンテーション
- Authors: Parisa Farmanifard, Arun Ross,
- Abstract要約: 基礎モデルviz., Segment Anything Model (SAM) から画素レベルの虹彩分割モデルを開発する。
この研究の主な貢献は、眼画像上のSAMの微調整中に異なる損失関数を統合することである。
ND-IRIS-0405、CASIA-Iris-Interval-v3、IIT-Delhi-Irisデータセットの実験は、虹彩セグメンテーションのタスクに対する訓練されたモデルの有効性を伝達する。
- 参考スコア（独自算出の注目度）: 10.902536447343465
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Iris segmentation is a critical component of an iris biometric system and it involves extracting the annular iris region from an ocular image. In this work, we develop a pixel-level iris segmentation model from a foundational model, viz., Segment Anything Model (SAM), that has been successfully used for segmenting arbitrary objects. The primary contribution of this work lies in the integration of different loss functions during the fine-tuning of SAM on ocular images. In particular, the importance of Focal Loss is borne out in the fine-tuning process since it strategically addresses the class imbalance problem (i.e., iris versus non-iris pixels). Experiments on ND-IRIS-0405, CASIA-Iris-Interval-v3, and IIT-Delhi-Iris datasets convey the efficacy of the trained model for the task of iris segmentation. For instance, on the ND-IRIS-0405 dataset, an average segmentation accuracy of 99.58% was achieved, compared to the best baseline performance of 89.75%.
- Abstract（参考訳）: 虹彩セグメンテーションは虹彩生体計測システムの重要な構成要素であり、眼画像から環状虹彩領域を抽出する。
本研究では,任意のオブジェクトのセグメンテーションに成功している基本モデルであるviz., Segment Anything Model (SAM) から画素レベルのアイリスセグメンテーションモデルを開発する。
この研究の主な貢献は、眼画像上のSAMの微調整中に異なる損失関数を統合することである。
特に、Focal Lossの重要性は、クラス不均衡問題(アイリス対非アイリス画素)に戦略的に対処するため、微調整プロセスにおいて発せられる。
ND-IRIS-0405、CASIA-Iris-Interval-v3、IIT-Delhi-Irisデータセットの実験は、虹彩セグメンテーションのタスクに対する訓練されたモデルの有効性を伝達する。
例えば、ND-IRIS-0405データセットでは、平均セグメンテーション精度は99.58%、ベースライン性能は89.75%であった。
関連論文リスト
- Rotated Multi-Scale Interaction Network for Referring Remote Sensing Image Segmentation [63.15257949821558]
Referring Remote Sensing Image (RRSIS)は、コンピュータビジョンと自然言語処理を組み合わせた新しい課題である。
従来の参照画像(RIS)アプローチは、空中画像に見られる複雑な空間スケールと向きによって妨げられている。
本稿ではRMSIN(Rotated Multi-Scale Interaction Network)を紹介する。
論文 参考訳（メタデータ） (2023-12-19T08:14:14Z) - Semantic segmentation of surgical hyperspectral images under geometric
domain shifts [69.91792194237212]
本稿では、幾何学的アウト・オブ・ディストリビューション(OOD)データの存在下で、最先端のセマンティックセグメンテーションネットワークを初めて分析する。
有機移植(Organ transplantation)と呼ばれる専用の拡張技術により、一般化可能性にも対処する。
提案手法は,SOA DSCの最大67 % (RGB) と90% (HSI) を改善し,実際のOODテストデータ上での分配内性能と同等の性能を示す。
論文 参考訳（メタデータ） (2023-03-20T09:50:07Z) - Novel Deep Learning Framework For Bovine Iris Segmentation [0.0]
本稿では,BovineAAEyes80公開データセットを用いた画素ワイドセグメンテーションのための新しいディープラーニングフレームワークを提案する。
実験では、VGG16のバックボーンを持つU-Netがエンコーダとデコーダモデルの最良の組み合わせとして選ばれ、99.50%の精度と98.35%のDice係数スコアを示した。
論文 参考訳（メタデータ） (2022-12-22T01:15:08Z) - Experimental analysis regarding the influence of iris segmentation on
the recognition rate [64.02126624793775]
著者らは, 土台真実に基づくセグメンテーション精度が, 虹彩生体計測ツールチェーン全体の性能予測に有効かどうかを検討する。
論文 参考訳（メタデータ） (2022-11-10T11:59:51Z) - Segmentation-free Direct Iris Localization Networks [0.0]
本稿では,アイリス分割と円環嵌合を用いない効率的なアイリス局所化法を提案する。
低分解能アイリス画像から瞳孔と虹彩円を直接局所化できる虹彩局在化ネットワーク(ILN)を提案する。
また,瞳孔局所化の精度を向上させるために,瞳孔微細化ネットワーク(PRN)を導入する。
論文 参考訳（メタデータ） (2022-10-19T09:13:39Z) - Iris Recognition Based on SIFT Features [63.07521951102555]
アイリス画像の認識にはSIFT(Scale Invariant Feature Transformation)を用いる。
我々は、SIFT演算子を用いて、スケール空間における特徴SIFT特徴点を抽出し、特徴点周辺のテクスチャ情報に基づいてマッチングを行う。
また、SIFT手法と、極座標変換とLog-Gaborウェーブレットに基づく一般的なマッチング手法の相補性を示す。
論文 参考訳（メタデータ） (2021-10-30T04:55:33Z) - 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) - An approach to human iris recognition using quantitative analysis of
image features and machine learning [0.5243460995467893]
本稿では,虹彩認識のための効率的なフレームワークを4段階に分けて提案する。
その結果、提案手法は99.64%の精度で信頼性の高い予測を行うことができることを確認した。
論文 参考訳（メタデータ） (2020-09-12T23:23:33Z) - Pathological Retinal Region Segmentation From OCT Images Using Geometric
Relation Based Augmentation [84.7571086566595]
本稿では,幾何学と形状の内在的関係を共同で符号化することで,従来のGANベースの医用画像合成法よりも優れた手法を提案する。
提案手法は,取得手順の異なる画像を有する公開RETOUCHデータセット上で,最先端のセグメンテーション手法より優れている。
論文 参考訳（メタデータ） (2020-03-31T11:50:43Z) - Segmentation-Aware and Adaptive Iris Recognition [24.125681602124477]
アイリス画像の品質は、アイリスマッチング精度を劣化させることが知られている。
眼周囲情報は本質的にそのような虹彩画像に埋め込まれており、そのような非理想的なシナリオ下で虹彩認識を支援するために利用することができる。
本稿では,より精度の低いアイリス認識のためのセグメンテーション支援適応フレームワークを提案する。
論文 参考訳（メタデータ） (2019-12-31T04:31:37Z)
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。