論文の概要: FingerVeinSyn-5M: A Million-Scale Dataset and Benchmark for Finger Vein Recognition

• arxiv url: http://arxiv.org/abs/2506.03635v1
• Date: Wed, 04 Jun 2025 07:27:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-05 21:20:14.193832
• Title: FingerVeinSyn-5M: A Million-Scale Dataset and Benchmark for Finger Vein Recognition
• Title（参考訳）: FingerVeinSyn-5M:フィンガーベイン認識のための100万規模のデータセットとベンチマーク
• Authors: Yinfan Wang, Jie Gui, Baosheng Yu, Qi Li, Zhenan Sun, Juho Kannala, Guoying Zhao,
• Abstract要約: FVeinSynは多種多様な指静脈パターンを生成できる合成ジェネレータである。 FVeinSynを使ってFingerVeinSyn-5Mを作りました。 FingerVeinSyn-5Mで事前訓練されたモデルは、複数のベンチマークで平均53.91%のパフォーマンス向上を達成した。
• 参考スコア（独自算出の注目度）: 72.52509163913626
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: A major challenge in finger vein recognition is the lack of large-scale public datasets. Existing datasets contain few identities and limited samples per finger, restricting the advancement of deep learning-based methods. To address this, we introduce FVeinSyn, a synthetic generator capable of producing diverse finger vein patterns with rich intra-class variations. Using FVeinSyn, we created FingerVeinSyn-5M -- the largest available finger vein dataset -- containing 5 million samples from 50,000 unique fingers, each with 100 variations including shift, rotation, scale, roll, varying exposure levels, skin scattering blur, optical blur, and motion blur. FingerVeinSyn-5M is also the first to offer fully annotated finger vein images, supporting deep learning applications in this field. Models pretrained on FingerVeinSyn-5M and fine-tuned with minimal real data achieve an average 53.91\% performance gain across multiple benchmarks. The dataset is publicly available at: https://github.com/EvanWang98/FingerVeinSyn-5M.
• Abstract（参考訳）: 指静脈認識における大きな課題は、大規模な公開データセットの欠如である。 既存のデータセットには、指1本あたりのアイデンティティと限られたサンプルが含まれており、ディープラーニングベースの手法の進歩を制限している。 そこで本研究では,FVeinSynについて述べる。FVeinSynは多種多様な指静脈パターンを生成できる合成ジェネレータである。 FVeinSynを使って、FingerVeinSyn-5Mという指静脈のデータセットを作成した。FingerVeinSyn-5Mには、5万個の指から500万個のサンプルが含まれており、それぞれにシフト、回転、スケール、ロール、露出レベルの変化、皮膚の散乱のぼかし、光学的ぼかし、動きのぼかしなど100種類のバリエーションがある。 FingerVeinSyn-5Mは、この分野でのディープラーニングアプリケーションをサポートする、完全に注記された指静脈画像を提供する最初の企業でもある。 FingerVeinSyn-5Mで事前訓練され、最小の実データで微調整されたモデルは、複数のベンチマークで平均53.91\%の性能向上を達成した。 データセットは、https://github.com/EvanWang98/FingerVeinSyn-5Mで公開されている。

関連論文リスト

• Motion Transfer-Driven intra-class data augmentation for Finger Vein Recognition [14.95018662462898]
  フィンガー静脈認識 (FVR) は, 血管内生情報の機密性から, 安全な生体計測技術として出現している。 そこで本研究では,指の姿勢と回転運動をモデル化し,指静脈画像データ拡張のための新しい動き伝達モデルを提案する。 3つのパブリックフィンガー静脈データベースで行った実験により,提案した動き伝達モデルが認識精度を効果的に向上できることが示された。
  論文  参考訳（メタデータ） (2024-12-29T02:51:57Z)
• $\textit{sweet}$- An Open Source Modular Platform for Contactless Hand Vascular Biometric Experiments [19.054919189900303]
  スイーツという非接触型血管バイオメトリックスセンサプラットフォームを提案する。 手の血管バイオメトリックス(毛、手のひら、指の静脈)の研究や、手のひらプリントのような表面の特徴に使用できる。 マルチスペクトル近赤外(NIR)、RGBカラー、ステレオビジョン(SV)、測光ステレオ(PS)など、いくつかの取得モードをサポートしている。
  論文  参考訳（メタデータ） (2024-04-14T23:17:01Z)
• Fingervein Verification using Convolutional Multi-Head Attention Network [3.700129710233692]
  本稿では,VeinAtnNetという,畳み込み型マルチヘッドアテンションネットワークを用いた新しいフィンガーベイン検証手法を提案する。 提案したVeinAtnNetは、通常の指紋画像と強化された指紋画像の両方から識別情報を抽出しながら、学習可能なパラメータの少ない軽量化を実現するように設計されている。
  論文  参考訳（メタデータ） (2023-10-25T17:38:16Z)
• Advancing 3D finger knuckle recognition via deep feature learning [51.871256510747465]
  接触のない3Dフィンガーナックルパターンは、識別性、距離からの視認性、利便性、利便性により、効果的な生体認証として出現している。 近年、ディープニューラルネットワークの中間機能を複数のスケールで同時に組み込むディープ・フィーチャー・コラボレーティブ・ネットワークが開発されている。 本稿では,3次元指のナックル画像を表現するために,最小次元の識別特徴ベクトルを学習する可能性を検討することにより,本手法を推し進める。
  論文  参考訳（メタデータ） (2023-01-07T20:55:16Z)
• 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)
• Finger Multimodal Feature Fusion and Recognition Based on Channel Spatial Attention [8.741051302995755]
  指紋と指の静脈に基づく多モーダルバイオメトリック・フュージョン認識アルゴリズムを提案する。 指紋と指の静脈の画像のそれぞれに対して,まず,特徴を抽出するためのシンプルで効果的な畳み込みニューラルネットワーク(CNN)を提案する。 次に,指紋と指の静脈の相補的情報を完全に融合させるマルチモーダル機能融合モジュール(CSAFM,Channel Spatial Attention Fusion Module)を構築した。
  論文  参考訳（メタデータ） (2022-09-06T10:48:30Z)
• BeCAPTCHA-Type: Biometric Keystroke Data Generation for Improved Bot Detection [63.447493500066045]
  本研究では,キーストローク生体データ合成のためのデータ駆動学習モデルを提案する。 提案手法は,ユニバーサルモデルとユーザ依存モデルに基づく2つの統計的手法と比較する。 実験フレームワークでは16万件の被験者から1億3600万件のキーストロークイベントのデータセットについて検討している。
  論文  参考訳（メタデータ） (2022-07-27T09:26:15Z)
• Mobile Behavioral Biometrics for Passive Authentication [65.94403066225384]
  本研究は, 単モーダルおよび多モーダルな行動的生体特性の比較分析を行った。 HuMIdbは、最大かつ最も包括的なモバイルユーザインタラクションデータベースである。 我々の実験では、最も識別可能な背景センサーは磁力計であり、タッチタスクではキーストロークで最良の結果が得られる。
  論文  参考訳（メタデータ） (2022-03-14T17:05:59Z)
• Multi-FinGAN: Generative Coarse-To-Fine Sampling of Multi-Finger Grasps [46.316638161863025]
  本稿では,rgb-d画像から直接高画質把握を合成する高速生成型多指把持サンプリング手法であるmulti-finganを提案する。 シミュレーションにおける790の把握と実際のフランカ・エミカ・パンダの20の把握に対する標準的な把握方法に対して,本手法を実験的に検証し,ベンチマークした。 驚くべきことに、私たちのアプローチはベースラインよりも最大20〜30倍速く、フィードバックベースの把握再計画とタスク情報把握への扉を開く重要な改善です。
  論文  参考訳（メタデータ） (2020-12-17T16:08:18Z)
• IPN Hand: A Video Dataset and Benchmark for Real-Time Continuous Hand Gesture Recognition [11.917058689674327]
  我々は,深層ニューラルネットワークのトレーニングと評価が可能な,十分なサイズ,多様性,実世界の要素を備えた,IPN Handという新しいベンチマークデータセットを導入する。 このデータセットには、4000以上のジェスチャーサンプルと、50の異なる被験者から80,000のRGBフレームが含まれている。 本データセットでは,3つの3次元CNNモデルの性能を,孤立的かつ連続的なリアルタイムHGRのタスクに基づいて評価する。
  論文  参考訳（メタデータ） (2020-04-20T08:52:32Z)

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。