論文の概要: ProtoN: Prototype Node Graph Neural Network for Unconstrained Multi-Impression Ear Recognition

• arxiv url: http://arxiv.org/abs/2508.04381v1
• Date: Wed, 06 Aug 2025 12:21:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-07 20:09:22.709004
• Title: ProtoN: Prototype Node Graph Neural Network for Unconstrained Multi-Impression Ear Recognition
• Title（参考訳）: ProtoN: 制約のないマルチ印象耳認識のためのプロトタイプノードグラフニューラルネットワーク
• Authors: Santhoshkumar Peddi, Sadhvik Bathini, Arun Balasubramanian, Monalisa Sarma, Debasis Samanta,
• Abstract要約: グラフベースのアプローチを用いて、アイデンティティの複数の印象を処理するための数ショット学習フレームワークを提案する。 ProtoNは最先端のパフォーマンスを実現し、ランク1の識別精度は99.60%、EER(Equal Error Rate)は0.025である。
• 参考スコア（独自算出の注目度）: 7.969162168078149
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Ear biometrics offer a stable and contactless modality for identity recognition, yet their effectiveness remains limited by the scarcity of annotated data and significant intra-class variability. Existing methods typically extract identity features from individual impressions in isolation, restricting their ability to capture consistent and discriminative representations. To overcome these limitations, a few-shot learning framework, ProtoN, is proposed to jointly process multiple impressions of an identity using a graph-based approach. Each impression is represented as a node in a class-specific graph, alongside a learnable prototype node that encodes identity-level information. This graph is processed by a Prototype Graph Neural Network (PGNN) layer, specifically designed to refine both impression and prototype representations through a dual-path message-passing mechanism. To further enhance discriminative power, the PGNN incorporates a cross-graph prototype alignment strategy that improves class separability by enforcing intra-class compactness while maintaining inter-class distinction. Additionally, a hybrid loss function is employed to balance episodic and global classification objectives, thereby improving the overall structure of the embedding space. Extensive experiments on five benchmark ear datasets demonstrate that ProtoN achieves state-of-the-art performance, with Rank-1 identification accuracy of up to 99.60% and an Equal Error Rate (EER) as low as 0.025, showing the effectiveness for few-shot ear recognition under limited data conditions.
• Abstract（参考訳）: 耳のバイオメトリックスは、アイデンティティ認識に安定かつ接触のないモダリティを提供するが、アノテートされたデータの不足とクラス内の大きな変動によって、その有効性は制限されている。 既存の手法は通常、個々の印象から個々の特徴を分離して抽出し、一貫性と差別的な表現をキャプチャする能力を制限する。 これらの制限を克服するため、グラフベースのアプローチを用いて、アイデンティティの複数の印象を共同処理する、数発の学習フレームワークProtoNが提案されている。 各印象は、アイデンティティレベル情報をエンコードする学習可能なプロトタイプノードとともに、クラス固有のグラフのノードとして表現される。 このグラフはプロトタイプグラフニューラルネットワーク(PGNN)層によって処理され、デュアルパスメッセージパッシング機構によって印象表現とプロトタイプ表現の両方を洗練させるように設計されている。 さらに識別力を高めるため、PGNNはクラス間の区別を維持しながらクラス内コンパクト性を強制することでクラス分離性を向上させるクロスグラフプロトタイプアライメント戦略を取り入れている。 さらに, ハイブリッド損失関数を用いて, エピソードとグローバルな分類目標のバランスをとり, 埋め込み空間の全体構造を改善する。 5つのベンチマーク耳データセットの大規模な実験により、Ranc-1識別精度が99.60%、EER(Equal Error Rate)が0.025まで低く、ProtoNが最先端の性能を達成したことが示され、限られたデータ条件下での数発の耳認識の有効性が示されている。

関連論文リスト

• Efficient Prototype Consistency Learning in Medical Image Segmentation via Joint Uncertainty and Data Augmentation [32.47805202531351]
  半教師付き医療画像セグメンテーションにプロトタイプ学習が出現している。 共同不確実性定量化とデータ拡張による効率的なプロトタイプの整合性学習を提案する。 我々のフレームワークは従来の最先端のアプローチよりも優れている。
  論文  参考訳（メタデータ） (2025-05-22T06:25:32Z)
• Unified CNNs and transformers underlying learning mechanism reveals multi-head attention modus vivendi [0.0]
  畳み込みニューラルネットワーク(CNN)は、層に沿って進行する入力画像の短距離相関を評価する。 視覚変換器(ViT)アーキテクチャは、完全に接続された層からなる繰り返し変換器エンコーダを用いて、長距離相関を評価する。 本研究は,CNNとViTアーキテクチャが基盤となる学習機構の統一に由来することを示す。
  論文  参考訳（メタデータ） (2025-01-22T14:19:48Z)
• Noise-Resilient Unsupervised Graph Representation Learning via Multi-Hop Feature Quality Estimation [53.91958614666386]
  グラフニューラルネットワーク(GNN)に基づく教師なしグラフ表現学習(UGRL) マルチホップ特徴量推定(MQE)に基づく新しいUGRL法を提案する。
  論文  参考訳（メタデータ） (2024-07-29T12:24:28Z)
• DualHGNN: A Dual Hypergraph Neural Network for Semi-Supervised Node Classification based on Multi-View Learning and Density Awareness [3.698434507617248]
  グラフに基づく半教師付きノード分類は、研究価値と重要性の高い多くのアプリケーションにおいて最先端のアプローチであることが示されている。 本稿では、ハイパーグラフ構造学習とハイパーグラフ表現学習を同時に統合した新しいデュアル接続モデルであるデュアルハイパーグラフニューラルネットワーク(DualHGNN)を提案する。
  論文  参考訳（メタデータ） (2023-06-07T07:40:04Z)
• Adaptive Face Recognition Using Adversarial Information Network [57.29464116557734]
  顔認識モデルは、トレーニングデータがテストデータと異なる場合、しばしば退化する。 本稿では,新たな敵情報ネットワーク(AIN)を提案する。
  論文  参考訳（メタデータ） (2023-05-23T02:14:11Z)
• Steering Graph Neural Networks with Pinning Control [23.99873285634287]
  ラベル付きデータのプロトタイプ(クラスセンター)を活用することで表現学習を監督する制御原理を提案する。 グラフ学習を離散的動的プロセスとして扱うことと、ラベル付きデータのプロトタイプを「望ましい」クラス表現として扱うことにより、自動制御理論からピンニング制御のアイデアを借用する。 実験により,提案したPCGCNモデルにより,深部GNNや他の競合するヘテロフィリ指向手法よりも優れた性能が得られることが示された。
  論文  参考訳（メタデータ） (2023-03-02T13:50:23Z)
• Pseudo Contrastive Learning for Graph-based Semi-supervised Learning [67.37572762925836]
  Pseudo Labelingは、グラフニューラルネットワーク(GNN)の性能向上に使用されるテクニックである。 我々はPseudo Contrastive Learning(PCL)と呼ばれるGNNのための一般的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-02-19T10:34:08Z)
• Dynamic Prototype Mask for Occluded Person Re-Identification [88.7782299372656]
  既存の手法では、目に見える部分を識別するために、余分なネットワークによって提供される身体の手がかりを利用することで、この問題に対処している。 2つの自己明快な事前知識に基づく新しい動的プロトタイプマスク(DPM)を提案する。 この条件下では、隠蔽された表現は、選択された部分空間において自然にうまく整列することができる。
  論文  参考訳（メタデータ） (2022-07-19T03:31:13Z)
• Mixed Graph Contrastive Network for Semi-Supervised Node Classification [63.924129159538076]
  我々はMixed Graph Contrastive Network(MGCN)と呼ばれる新しいグラフコントラスト学習手法を提案する。 本研究では,非摂動増強戦略と相関還元機構により,潜伏埋め込みの識別能力を向上する。 これら2つの設定を組み合わせることで、識別表現学習のために、豊富なノードと稀に価値あるラベル付きノードの両方から、豊富な監視情報を抽出する。
  論文  参考訳（メタデータ） (2022-06-06T14:26:34Z)
• Graph Representation Learning Beyond Node and Homophily [2.8417100723094357]
  本稿では2つのノードを用いた新しい教師なしグラフ埋め込み手法であるPairEを提案する。 マルチセルフ教師付きオートエンコーダは、2つのプリテキストタスクを満たすように設計されている: 1つは高周波信号をより良く保持し、もう1つは共通性の表現を強化する。 実験の結果,PairEは教師なしの最先端のベースラインよりも優れていた。
  論文  参考訳（メタデータ） (2022-03-03T08:27:09Z)
• Dual-Refinement: Joint Label and Feature Refinement for Unsupervised Domain Adaptive Person Re-Identification [51.98150752331922]
  Unsupervised Domain Adaptive (UDA) Person Re-identification (再ID) は、ターゲットドメインデータのラベルが欠落しているため、難しい作業です。 オフラインクラスタリングフェーズにおける擬似ラベルとオンライントレーニングフェーズにおける特徴を共同で改良する,デュアルリファインメントと呼ばれる新しいアプローチを提案する。 本手法は最先端手法を大きなマージンで上回っている。
  論文  参考訳（メタデータ） (2020-12-26T07:35:35Z)
• Contrastive and Generative Graph Convolutional Networks for Graph-based Semi-Supervised Learning [64.98816284854067]
  グラフベースのSemi-Supervised Learning (SSL)は、少数のラベル付きデータのラベルをグラフ経由で残りの巨大なラベル付きデータに転送することを目的としている。 本稿では,データ類似性とグラフ構造を両立させ,監視信号の強化を図るため,新しいGCNベースのSSLアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-09-15T13:59:28Z)

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。