論文の概要: Optimizer Sensitivity In Vision Transformerbased Iris Recognition: Adamw Vs Sgd Vs Rmsprop

• arxiv url: http://arxiv.org/abs/2511.22994v1
• Date: Fri, 28 Nov 2025 08:56:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-01 19:47:55.83259
• Title: Optimizer Sensitivity In Vision Transformerbased Iris Recognition: Adamw Vs Sgd Vs Rmsprop
• Title（参考訳）: 視覚変換器を用いた虹彩認識における最適感度:Adamw Vs Sgd Vs Rmsprop
• Authors: Moh Imam Faiz, Aviv Yuniar Rahman, Rangga Pahlevi Putra,
• Abstract要約: アイリス認識は、その特徴的で安定したテクスチャパターンのために高い信頼性を提供する。 近年のディープラーニング,特に視覚変換器(ViT)の進歩により,視覚認識性能が向上した。 本研究は, 虹彩認識におけるViTの精度と安定性に差がどう影響するかを評価する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The security of biometric authentication is increasingly critical as digital identity systems expand. Iris recognition offers high reliability due to its distinctive and stable texture patterns. Recent progress in deep learning, especially Vision Transformers ViT, has improved visual recognition performance. Yet, the effect of optimizer choice on ViT-based biometric systems remains understudied. This work evaluates how different optimizers influence the accuracy and stability of ViT for iris recognition, providing insights to enhance the robustness of biometric identification models.
• Abstract（参考訳）: デジタルIDシステムが拡大するにつれて、生体認証のセキュリティはますます重要になっている。 アイリス認識は、その特徴的で安定したテクスチャパターンのために高い信頼性を提供する。 近年のディープラーニング,特に視覚変換器(ViT)の進歩により,視覚認識性能が向上した。 しかし、ViTベースの生体認証システムに対するオプティマイザ選択の効果は未だ検討されていない。 この研究は、異なるオプティマイザが虹彩認識におけるViTの精度と安定性にどのように影響するかを評価し、生体認証モデルの堅牢性を高めるための洞察を与える。

関連論文リスト

• Deep Learning Models for Robust Facial Liveness Detection [56.08694048252482]
  本研究では,現代のアンチスプーフィング手法の欠陥に対処する新しい深層学習モデルを用いて,ロバストな解を提案する。 テクスチャ解析と実際の人間の特性に関連する反射特性を革新的に統合することにより、我々のモデルは、顕著な精度でレプリカと真の存在を区別する。
  論文  参考訳（メタデータ） (2025-08-12T17:19:20Z)
• Iris Style Transfer: Enhancing Iris Recognition with Style Features and Privacy Preservation through Neural Style Transfer [44.44776028287441]
  アイリステクスチャは、認証と識別のための金の標準バイオメトリック・モダリティとして広く見なされている。 本稿では、ニューラルスタイル転送を用いて、識別可能なアイリススタイルの特徴を難読化することを提案する。 この研究は、虹彩指向でセキュアでプライバシーに配慮した生体認証システムのための新しい道を開く。
  論文  参考訳（メタデータ） (2025-03-06T18:55:21Z)
• ChatGPT Meets Iris Biometrics [10.902536447343465]
  本研究では,GPT-4マルチモーダル大言語モデル(LLM)の高度な機能を活用し,虹彩認識の可能性を探る。 我々は、ChatGPTのようなAIツールが虹彩画像の理解と分析をいかにうまく行うかを検討する。 我々の発見は、将来の研究と、より適応性があり、効率的で、堅牢で、インタラクティブな生体認証ソリューションの開発に期待できる道のりを示唆している。
  論文  参考訳（メタデータ） (2024-08-09T05:13:07Z)
• ChangeViT: Unleashing Plain Vision Transformers for Change Detection [3.582733645632794]
  ChangeViTは、大規模な変更のパフォーマンスを高めるために、プレーンなViTバックボーンを採用するフレームワークである。 このフレームワークは3つの一般的な高解像度データセット上で最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2024-06-18T17:59:08Z)
• Embedding Non-Distortive Cancelable Face Template Generation [22.80706131626207]
  我々は、目では認識できないが、任意のカスタム埋め込みニューラルネットワークモデルで識別可能な顔画像を実現する革新的な画像歪み技術を導入する。 生体認証ネットワークの信頼性を,予測された同一性を変化させない最大画像歪みを判定することによって検証する。
  論文  参考訳（メタデータ） (2024-02-04T15:39:18Z)
• Generalized Face Forgery Detection via Adaptive Learning for Pre-trained Vision Transformer [54.32283739486781]
  適応学習パラダイムの下で,textbfForgery-aware textbfAdaptive textbfVision textbfTransformer(FA-ViT)を提案する。 FA-ViTは、クロスデータセット評価において、Celeb-DFおよびDFDCデータセット上で93.83%と78.32%のAUCスコアを達成する。
  論文  参考訳（メタデータ） (2023-09-20T06:51:11Z)
• 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)
• Toward Accurate and Reliable Iris Segmentation Using Uncertainty Learning [96.72850130126294]
  高精度で信頼性の高いアイリスセグメンテーションのためのアイリスU変換器(アイリスUsformer)を提案する。 IrisUsformerの精度向上のために,位置感応操作と再パッケージング変圧器ブロックを採用することで精巧に設計する。 IrisUsformer は SOTA IrisParseNet の 35% MAC を用いて, セグメンテーション精度の向上を図っている。
  論文  参考訳（メタデータ） (2021-10-20T01:37:19Z)
• Vision Transformers are Robust Learners [65.91359312429147]
  ビジョントランスフォーマー(ViT)の一般的な腐敗や摂動、分布シフト、自然逆転例に対する堅牢性について検討します。 ViTsが実際により堅牢な学習者である理由を説明するために、定量的および定性的な指標を提供する分析を提示します。
  論文  参考訳（メタデータ） (2021-05-17T02:39:22Z)

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。