論文の概要: Open-Set Biometrics: Beyond Good Closed-Set Models
- arxiv url: http://arxiv.org/abs/2407.16133v1
- Date: Tue, 23 Jul 2024 02:34:39 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-24 18:55:32.846590
- Title: Open-Set Biometrics: Beyond Good Closed-Set Models
- Title（参考訳）: オープンセットバイオメトリックス:良いクローズドセットモデルを超えて
- Authors: Yiyang Su, Minchul Kim, Feng Liu, Anil Jain, Xiaoming Liu,
- Abstract要約: 最も実践的な応用は、調査対象がギャラリーに存在しているかもしれないし存在しないかもしれないオープンセットのバイオメトリックスである。
既存の損失関数はオープンセット評価と矛盾しない。
本研究では,(1)選択しきい値下での開集合性能に最適化された識別-検出損失と(2)相対しきい値の最小化により各プローブの最大負のスコアが減少する,新たな損失関数を提案する。
- 参考スコア（独自算出の注目度）: 15.65725865703615
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Biometric recognition has primarily addressed closed-set identification, assuming all probe subjects are in the gallery. However, most practical applications involve open-set biometrics, where probe subjects may or may not be present in the gallery. This poses distinct challenges in effectively distinguishing individuals in the gallery while minimizing false detections. While it is commonly believed that powerful biometric models can excel in both closed- and open-set scenarios, existing loss functions are inconsistent with open-set evaluation. They treat genuine (mated) and imposter (non-mated) similarity scores symmetrically and neglect the relative magnitudes of imposter scores. To address these issues, we simulate open-set evaluation using minibatches during training and introduce novel loss functions: (1) the identification-detection loss optimized for open-set performance under selective thresholds and (2) relative threshold minimization to reduce the maximum negative score for each probe. Across diverse biometric tasks, including face recognition, gait recognition, and person re-identification, our experiments demonstrate the effectiveness of the proposed loss functions, significantly enhancing open-set performance while positively impacting closed-set performance. Our code and models are available at https://github.com/prevso1088/open-set-biometrics.
- Abstract（参考訳）: バイオメトリック認識は、全ての被験者がギャラリーにいると仮定して、主にクローズドセットの識別に対処してきた。
しかし、ほとんどの実用的な応用は、調査対象がギャラリーに存在しているかもしれないし存在しないかもしれないオープンセットのバイオメトリックスである。
これは、ギャラリー内の個人を効果的に区別すると同時に、誤検出を最小限に抑えるという、明確な課題を提起する。
強力な生体モデルが閉集合と開集合の両方のシナリオで優れていると一般的に信じられているが、既存の損失関数は開集合評価と矛盾しない。
彼らは真の(マッド)と非マッド)類似度スコアを対称的に扱い、イモスタースコアの相対的な大きさを無視する。
これらの課題に対処するために、トレーニング中にミニバッチを用いてオープンセット評価をシミュレートし、(1)選択しきい値下でのオープンセット性能に最適化された識別-検出損失と(2)相対しきい値の最小化を行い、各プローブの最大負のスコアを低減する。
顔認証,歩行認識,人物再同定など,多様な生体計測タスクにおいて,提案した損失関数の有効性を実証し,クローズドセット性能に肯定的な影響を与えながらオープンセット性能を著しく向上させる実験を行った。
私たちのコードとモデルはhttps://github.com/prevso1088/open-set-biometricsで利用可能です。
関連論文リスト
- On Missing Scores in Evolving Multibiometric Systems [9.700630422387974]
簡易な和融合と各種スコア計算法の応用により,認識精度が向上することを示す。
実験により, インキュベーション後の核融合は, インキュベーションを伴わない核融合よりも優れていることが示された。
論文 参考訳（メタデータ） (2024-08-21T01:47:06Z) - Keypoint Promptable Re-Identification [76.31113049256375]
Occluded Person Re-Identification (ReID) は、その外見に基づいて隠蔽された個人をマッチングするメトリクス学習タスクである。
本稿では、入力バウンディングボックスを意味キーポイントの集合で明示的に補完する新しいReID問題の定式化であるKeypoint Promptable ReID(KPR)を紹介する。
我々は4つの人気のあるReIDベンチマークのためのカスタムキーポイントラベルをリリースした。人物検索の実験だけでなく、ポーズトラッキングの実験も、我々の手法が従来の最先端手法を体系的に超越していることを示す。
論文 参考訳（メタデータ） (2024-07-25T15:20:58Z) - Open-Set Facial Expression Recognition [42.62439125553367]
顔表情認識(FER)モデルは一般的に、7つの基本クラスを固定したデータセットで訓練される。
最近の研究では、基本的なものよりもはるかに多くの表現が存在することが指摘されている。
オープンセットFERタスクを初めて提案する。
論文 参考訳（メタデータ） (2024-01-23T05:57:50Z) - Untargeted Near-collision Attacks on Biometrics: Real-world Bounds and
Theoretical Limits [0.0]
オンラインとオフラインの両方、そして識別モードと検証モードの両方で実行できる未ターゲティングな攻撃に焦点を当てます。
我々は、これらのシステムのセキュリティに対処するために、False Match Rate(FMR)とFalse Positive Identification Rate(FPIR)を用いる。
この距離空間とシステムパラメータの研究は、標的外攻撃の複雑さと近接衝突の確率を与える。
論文 参考訳（メタデータ） (2023-04-04T07:17:31Z) - Open Set Action Recognition via Multi-Label Evidential Learning [25.15753429188536]
MULE(MUlti-Label Evidential Learning)を用いたオープンセット行動認識と新規性検出のための新しい手法を提案する。
我々のBeta Evidential Neural Networkは、アクター-コンテキスト-オブジェクト関係表現に基づくベータ密度によるマルチアクション不確かさを推定する。
提案手法は,シングル/マルチアクタ,シングル/マルチアクション設定において有望な性能を実現する。
論文 参考訳（メタデータ） (2023-02-27T18:34:18Z) - Fingerprint Image-Quality Estimation and its Application to
Multialgorithm Verification [56.128200319868526]
信号品質の認識は、認識率を増大させ、マルチセンサー環境における決定を著しく支援することが見出されている。
本稿では, 指紋画像の向きテンソルを用いて, ノイズ, 構造不足, ぼやけなどの信号障害を, 対称性記述子の助けを借りて定量化する。
定量的な結果は、あらゆる面において品質意識を優先し、認識率を高め、異なるスキルを持つ専門家を効果的かつ効果的に融合させる。
論文 参考訳（メタデータ） (2022-11-24T12:17:49Z) - Facial Soft Biometrics for Recognition in the Wild: Recent Works,
Annotation, and COTS Evaluation [63.05890836038913]
制約のないシナリオにおける人物認識システムを強化するために,ソフトバイオメトリックスが果たす役割について検討する。
1) ソフトバイオメトリックスのマニュアル推定と,2) 市販オフザシェルフシステムによる自動推定の2つの仮定を考察する。
深層学習に基づく2つの最先端顔認識システムを用いた軟式生体計測実験を行った。
論文 参考訳（メタデータ） (2022-10-24T11:29:57Z) - OpenAUC: Towards AUC-Oriented Open-Set Recognition [151.5072746015253]
従来の機械学習は、トレーニングとテストセットが同じラベル空間を共有するという密接な前提に従っている。
Open-Set Recognition (OSR) は、クローズセットサンプルとオープンセットサンプルの両方で正確な予測を行うことを目的としている。
これらの問題を解決するために,OpenAUCという新しいメトリクスを提案する。
論文 参考訳（メタデータ） (2022-10-22T08:54:15Z) - Compact multi-scale periocular recognition using SAFE features [63.48764893706088]
特徴拡張(SAFE)記述子による対称性評価に基づく眼周囲認識のための新しい手法を提案する。
我々は、スクレラ中心を特徴抽出の単一キーポイントとして使用し、眼のこの点に集中するオブジェクトのようなアイデンティティ特性を強調します。
論文 参考訳（メタデータ） (2022-10-18T11:46:38Z) - Few-Shot Open-Set Recognition using Meta-Learning [72.15940446408824]
オープンセット認識の問題点を考察する。
新しいoPen sEt mEta LEaRning (PEELER)アルゴリズムが導入された。
論文 参考訳（メタデータ） (2020-05-27T23:49:26Z) - Deep convolutional neural networks for face and iris presentation attack
detection: Survey and case study [0.5801044612920815]
顔PADのクロスデータセット評価は,術式よりも一般化が良好であった。
顔と虹彩の両方の攻撃を検出するために訓練された1つのディープネットワークを提案する。
論文 参考訳（メタデータ） (2020-04-25T02:06:19Z)
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。