論文の概要: TipSegNet: Fingertip Segmentation in Contactless Fingerprint Imaging

• arxiv url: http://arxiv.org/abs/2501.05076v1
• Date: Thu, 09 Jan 2025 08:59:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-10 14:00:03.558385
• Title: TipSegNet: Fingertip Segmentation in Contactless Fingerprint Imaging
• Title（参考訳）: TipSegNet:非接触型フィンガープリント画像における指節分割
• Authors: Laurenz Ruzicka, Bernhard Kohn, Clemens Heitzinger,
• Abstract要約: 本稿では,手動画像から直接指先をセグメント化することで,最先端の性能を実現する新しいディープラーニングモデルTipSegNetを提案する。 TipSegNet は既存の手法より優れており、平均の 0.987 と 0.999 の Intersection over Union (mIoU) を達成している。
• 参考スコア（独自算出の注目度）: 0.14044984809289
• License:
• Abstract: Contactless fingerprint recognition systems offer a hygienic, user-friendly, and efficient alternative to traditional contact-based methods. However, their accuracy heavily relies on precise fingertip detection and segmentation, particularly under challenging background conditions. This paper introduces TipSegNet, a novel deep learning model that achieves state-of-the-art performance in segmenting fingertips directly from grayscale hand images. TipSegNet leverages a ResNeXt-101 backbone for robust feature extraction, combined with a Feature Pyramid Network (FPN) for multi-scale representation, enabling accurate segmentation across varying finger poses and image qualities. Furthermore, we employ an extensive data augmentation strategy to enhance the model's generalizability and robustness. TipSegNet outperforms existing methods, achieving a mean Intersection over Union (mIoU) of 0.987 and an accuracy of 0.999, representing a significant advancement in contactless fingerprint segmentation. This enhanced accuracy has the potential to substantially improve the reliability and effectiveness of contactless biometric systems in real-world applications.
• Abstract（参考訳）: コンタクトレス指紋認識システムは、従来のコンタクトベースの方法に代わる衛生的でユーザフレンドリで効率的な代替手段を提供する。 しかし、それらの精度は、特に困難な背景条件下で、正確な指先検出とセグメンテーションに大きく依存している。 本稿では,手動画像から直接指先をセグメント化することで,最先端の性能を実現する新しいディープラーニングモデルTipSegNetを提案する。 TipSegNetは、ロバストな特徴抽出のためにResNeXt-101のバックボーンとマルチスケール表現のためのFeature Pyramid Network(FPN)を組み合わせて、さまざまな指のポーズと画像品質の正確なセグメンテーションを可能にする。 さらに、モデルの一般化性とロバスト性を高めるために、広範なデータ拡張戦略を採用する。 TipSegNet は既存の手法より優れており、平均の 0.987 の 0.9IoU (Intersection over Union) と 0.999 の精度を実現している。 この精度の向上は、現実世界の応用において、接触のない生体認証システムの信頼性と有効性を大幅に向上させる可能性がある。

関連論文リスト

• Performance Evaluation of Image Enhancement Techniques on Transfer Learning for Touchless Fingerprint Recognition [0.6291443816903801]
  本研究では,画像強調技術が事前学習型ディープラーニングモデルの性能に及ぼす影響を評価する。 VGG-16は、訓練で98%、画像の強化で93%の精度を達成した。
  論文  参考訳（メタデータ） (2025-02-07T06:00:53Z)
• Latent fingerprint enhancement for accurate minutiae detection [8.996826918574463]
  本稿では,GAN(Generative Adversary Network)を用いてLFE(Latent Fingerprint Enhancement)を再定義する手法を提案する。 生成過程の微妙な情報を直接最適化することにより、このモデルは、地味な事例に対して例外的な忠実さを示す強化された潜伏指紋を生成する。 筆者らのフレームワークは, 微小な位置と配向場を統合し, 局所的および構造的指紋の特徴の保存を確実にする。
  論文  参考訳（メタデータ） (2024-09-18T08:35:31Z)
• Reliable Joint Segmentation of Retinal Edema Lesions in OCT Images [55.83984261827332]
  本稿では,信頼性の高いマルチスケールウェーブレットエンハンストランスネットワークを提案する。 本研究では,ウェーブレット型特徴抽出器ネットワークとマルチスケール変圧器モジュールを統合したセグメンテーションバックボーンを開発した。 提案手法は,他の最先端セグメンテーション手法と比較して信頼性の高いセグメンテーション精度を実現する。
  論文  参考訳（メタデータ） (2022-12-01T07:32:56Z)
• 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)
• Deep Convolutional Pooling Transformer for Deepfake Detection [54.10864860009834]
  本研究では,局所的・グローバル的に決定的な画像特徴を取り入れた深部畳み込み変換器を提案する。 具体的には,抽出した特徴を充実させ,有効性を高めるために,畳み込みプーリングと再アテンションを適用した。 提案手法は、内部実験と相互データセット実験の両方において、最先端のベースラインを一貫して上回る。
  論文  参考訳（メタデータ） (2022-09-12T15:05:41Z)
• A high performance fingerprint liveness detection method based on quality related features [66.41574316136379]
  このシステムは、10,500枚以上の実画像と偽画像からなる非常に難しいデータベースでテストされている。 提案手法はマルチシナリオデータセットに対して堅牢であることが証明され、全体の90%が正しく分類されたサンプルである。
  論文  参考訳（メタデータ） (2021-11-02T21:09:39Z)
• A Contactless Fingerprint Recognition System [5.565364597145569]
  距離から指紋をキャプチャする非接触指紋認識システムを開発するためのアプローチを提案する。 キャプチャされたフィンガー写真はさらに処理され、グローバルおよびローカルな機能(ミニチュアベース)が取得される。 提案システムはNvidia Jetson Nano開発キットを用いて開発され,非接触指紋認識をリアルタイムで行うことができる。
  論文  参考訳（メタデータ） (2021-08-20T08:21:55Z)
• 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)
• Responsible Disclosure of Generative Models Using Scalable Fingerprinting [70.81987741132451]
  深層生成モデルは質的に新しいパフォーマンスレベルを達成した。 この技術がスプーフセンサーに誤用され、ディープフェイクを発生させ、大規模な誤情報を可能にするという懸念がある。 最先端のジェネレーションモデルを責任を持って公開することで、研究者や企業がモデルに指紋を刻むことができます。
  論文  参考訳（メタデータ） (2020-12-16T03:51:54Z)
• Super-resolution Guided Pore Detection for Fingerprint Recognition [22.146795282680667]
  超解像と気孔検出の両ネットワークを組み合わせた共同学習型アプローチを提案する。 SRGAN(Super-Resolution Generative Adversarial Network)フレームワークは、低解像度から高分解能の指紋サンプルを確実に再構築するのに役立ちます。
  論文  参考訳（メタデータ） (2020-12-10T20:30:56Z)

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。