論文の概要: Bi-Encoder Contrastive Learning for Fingerprint and Iris Biometrics

• arxiv url: http://arxiv.org/abs/2510.22937v1
• Date: Mon, 27 Oct 2025 02:41:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-28 15:28:15.423515
• Title: Bi-Encoder Contrastive Learning for Fingerprint and Iris Biometrics
• Title（参考訳）: 指紋・虹彩生体計測のためのバイエンコーダコントラスト学習
• Authors: Matthew So, Judah Goldfeder, Mark Lis, Hod Lipson,
• Abstract要約: 我々は,指紋と指紋のマッチング,虹彩と虹彩のマッチング,異形指紋と虹彩のマッチングという3つの検証タスクでネットワークをトレーニングする。 We found that iris ResNet architecture reach 91 ROC AUC score for iris-to-iris matching, provide clear evidence that the left and right irises of a individual。
• 参考スコア（独自算出の注目度）: 5.4450020653886355
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: There has been a historic assumption that the biometrics of an individual are statistically uncorrelated. We test this assumption by training Bi-Encoder networks on three verification tasks, including fingerprint-to-fingerprint matching, iris-to-iris matching, and cross-modal fingerprint-to-iris matching using 274 subjects with $\sim$100k fingerprints and 7k iris images. We trained ResNet-50 and Vision Transformer backbones in Bi-Encoder architectures such that the contrastive loss between images sampled from the same individual is minimized. The iris ResNet architecture reaches 91 ROC AUC score for iris-to-iris matching, providing clear evidence that the left and right irises of an individual are correlated. Fingerprint models reproduce the positive intra-subject suggested by prior work in this space. This is the first work attempting to use Vision Transformers for this matching. Cross-modal matching rises only slightly above chance, which suggests that more data and a more sophisticated pipeline is needed to obtain compelling results. These findings continue challenge independence assumptions of biometrics and we plan to extend this work to other biometrics in the future. Code available: https://github.com/MatthewSo/bio_fingerprints_iris.
• Abstract（参考訳）: 個人の生体計測が統計的に無関係であるという歴史的仮定がある。 この仮定は,指紋と指紋のマッチング,虹彩と虹彩のマッチング,および274名の被験者と$\sim$100kの指紋と7kの虹彩画像を用いた異形指紋と虹彩のマッチングを含む,3つの検証タスクでBi-Encoderネットワークをトレーニングすることによって検証する。 我々は、Bi-EncoderアーキテクチャでResNet-50とVision Transformerのバックボーンをトレーニングし、同一個人からサンプリングした画像間のコントラスト損失を最小限に抑えた。 iris ResNet アーキテクチャは iris-to-iris マッチングの 91 ROC AUC スコアに達し、個人の左右のアイライズが相関しているという明確な証拠を提供する。 フィンガープリントモデルは、この空間における先行研究によって示唆される正の物体を再現する。 これは、このマッチングにVision Transformerを使用しようという最初の試みである。 クロスモーダルマッチングはチャンスをわずかに上回るだけであり、説得力のある結果を得るためには、より多くのデータとより洗練されたパイプラインが必要であることを示唆している。 これらの知見はバイオメトリックスの独立性の仮定に挑戦し続けており、将来的には他のバイオメトリックスにも拡張する計画である。 コードは、https://github.com/MatthewSo/bio_fingerprints_iris。

関連論文リスト

• Joint Identity Verification and Pose Alignment for Partial Fingerprints [33.05877729161858]
  本稿では,部分指紋ペアの協調識別とポーズアライメントのための新しいフレームワークを提案する。 本手法は,部分的指紋認証と相対的ポーズ推定の両方において,最先端の性能を実現する。
  論文  参考訳（メタデータ） (2024-05-07T02:45:50Z)
• A Universal Latent Fingerprint Enhancer Using Transformers [47.87570819350573]
  本研究の目的は,ULPrintと呼ばれる高速なフィンガープリント方式を開発し,様々な潜伏指紋のタイプを増強することである。 クローズドセットの識別精度実験では、MSU-AFISの性能は61.56%から75.19%に向上した。
  論文  参考訳（メタデータ） (2023-05-31T23:01:11Z)
• 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)
• Pair-Relationship Modeling for Latent Fingerprint Recognition [25.435974669629374]
  本稿では,2つの指紋のペア関係を認識の類似性として直接モデル化する手法を提案する。 2つのデータベースに対する実験結果から,提案手法が技術状況より優れていることが示された。
  論文  参考訳（メタデータ） (2022-07-02T11:31:31Z)
• A Competitive Method for Dog Nose-print Re-identification [46.94755073943372]
  本稿では,CVPR 2022ペット生体認証における犬の鼻指紋認証(Re-ID)課題について提案する。 複数のモデルが組み合わされ、テストセット上で86.67%のAUCが得られる。
  論文  参考訳（メタデータ） (2022-05-31T16:26:46Z)
• 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)
• Synthesis and Reconstruction of Fingerprints using Generative Adversarial Networks [6.700873164609009]
  本稿では,StyleGan2アーキテクチャに基づく新しい指紋合成・再構成フレームワークを提案する。 また,生成した指紋の属性を同一性を保ちながら修正する計算手法も提案する。 提案手法は, 指紋合成と復元の両面において, 現代的手法よりも優れていることを示した。
  論文  参考訳（メタデータ） (2022-01-17T00:18:00Z)
• 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)
• Latent Fingerprint Registration via Matching Densely Sampled Points [100.53031290339483]
  既存の潜伏指紋登録手法は、主にミツバチ間の対応を確立することに基づいている。 本研究では,一対の指紋間の空間的変換を推定する,最小限の潜伏指紋登録手法を提案する。 提案手法は,特に挑戦的な条件下で,最先端の登録性能を実現する。
  論文  参考訳（メタデータ） (2020-05-12T15:51:59Z)

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。