論文の概要: OpenVeinNet: Robust Open-Set Finger Vein Verification with Dynamic Snake Convolution and Graph Learning

• arxiv url: http://arxiv.org/abs/2608.25515v1
• Date: Wed, 26 Aug 2026 08:25:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-27 14:15:15.670652
• Title: OpenVeinNet: Robust Open-Set Finger Vein Verification with Dynamic Snake Convolution and Graph Learning
• Title（参考訳）: OpenVeinNet: 動的スネーク畳み込みとグラフ学習によるロバストなオープンセットフィンガーベイン検証
• Abstract要約: 本稿では,クロスデータセットおよびオープンセット評価のための指静脈検証フレームワークであるOpenVeinNetを提案する。 ダイナミック・スネーク・コンボリューションは、適応サンプリングを用いて局所的な管状静脈構造と管状静脈構造を抽出する。 Centroid Angular Hybrid Lossは、埋め込みスペースの識別品質を改善するために導入された。
• 参考スコア（独自算出の注目度）: 5.69976535589569
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Finger vein verification is a promising biometric modality for secure authentication because vascular patterns are internal, difficult to observe externally, and relatively resistant to presentation attacks. However, reliable verification remains challenging in open-set settings, where test identities are unseen during training and non-enrolled probes must be rejected at inference. This paper presents OpenVeinNet, a finger vein verification framework designed for cross-dataset and open-set evaluation. The proposed model combines Dynamic Snake Convolution with graph-based feature modelling. Dynamic Snake Convolution extracts local curvilinear and tubular vein structures using adaptive sampling, while the graph convolutional backbone models long-range topological relationships between vein regions. To improve the discriminative quality of the embedding space, we introduce a Centroid Angular Hybrid Loss, which jointly encourages intra-class compactness and inter-class angular separation for cosinesimilaritybased verification. Experiments are conducted on five public finger vein datasets: FV-300, MMCBNU, FV-USM, PolyU, and VERA. The method is evaluated using leaveonedatasetout training under both enrolmentbased unknownrejection and fullsubject verification protocols, and is compared with handcrafted and recent deep learning-based baselines. The results show that OpenVeinNet achieves strong cross-dataset generalisation, consistently low equal error rates, and competitive true accept rates at fixed false accept rate operating points. Ablation studies further confirm the individual and combined contributions of adaptive tubular feature extraction, graph-based relational modelling, and the proposed loss function. These findings indicate that explicitly modelling local vein geometry, global vascular relationships, and angularly compact embeddings is effective for openset finger vein verification.
• Abstract（参考訳）: フィンガー静脈検証は、血管パターンが内部的であり、外部観察が困難であり、プレゼンテーションアタックに比較的耐性があるため、安全な認証のための有望なバイオメトリック・モダリティである。 しかしながら、トレーニング中にテストのアイデンティティが見つからず、非登録プローブを推論時に拒否しなければならないような、オープンセット設定では信頼性の高い検証が依然として難しい。 本稿では,クロスデータセットおよびオープンセット評価のために設計された指静脈検証フレームワークであるOpenVeinNetを提案する。 提案したモデルは、Dynamic Snake Convolutionとグラフベースの機能モデリングを組み合わせたものだ。 ダイナミックスネーク・コンボリューションは、適応サンプリングを用いて局所的な管状静脈構造と管状静脈構造を抽出し、グラフ畳み込みバックボーンは、静脈領域間の長距離トポロジー関係をモデル化する。 組込み空間の識別品質を向上させるため,Centroid Angular Hybrid Lossを導入し,コサイン相似性検証のためのクラス内コンパクト性とクラス間角分離を共同で促進する。 FV-300、MMCBNU、FV-USM、PolyU、VERAの5つの公的指静脈データセットで実験を行った。 本手法は,未知の帰納法と全対象の検証プロトコルを併用したLeftonedatasetoutトレーニングを用いて評価し,手作りおよび最近のディープラーニングベースラインと比較した。 その結果、OpenVeinNetは、強いデータセット間一般化、一貫した等しいエラー率、固定された偽受け入れ演算点における競合真受け入れ率を実現していることがわかった。 さらに,適応管状特徴抽出,グラフベースリレーショナルモデリング,提案した損失関数の個人と組み合わせによる寄与について検証した。 これらの結果から, 局所静脈形状, 大域血管関係, 角のコンパクトな埋め込みを明示的にモデル化することは, 開指静脈検査に有効であることが示唆された。

関連論文リスト

• Interpretable and Adaptive Node Classification on Heterophilic Graphs via Combinatorial Scoring and Hybrid Learning [1.2691047660244335]
  グラフニューラルネットワーク(GNN)は、ホモフィルグラフ上で強い性能を達成するが、隣接するノードがしばしば異なるクラスに属しているため、しばしば過度に苦労する。 本稿では、深いメッセージパッシングではなく、明示的な推論に基づく半教師付きノード分類のための解釈可能かつ適応的なフレームワークを提案する。 ヘテロ親和性および遷移性ベンチマークの実験は、現代のGNNと競合する性能を示し、解釈可能性、マグロ、計算効率の利点を提供する。
  論文  参考訳（メタデータ） (2025-12-22T20:50:44Z)
• Volatility in Certainty (VC): A Metric for Detecting Adversarial Perturbations During Inference in Neural Network Classifiers [0.5793804025420254]
  ニューラルネットワーク分類器をデプロイする上で、相反する堅牢性は依然として重要な課題である。 本稿では,モデル信頼度における不規則性を定量化するラベルフリー計量であるtextitVolatility in Certainty (VC)について検討する。
  論文  参考訳（メタデータ） (2025-11-14T19:51:04Z)
• 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)
• Graph Out-of-Distribution Generalization with Controllable Data Augmentation [51.17476258673232]
  グラフニューラルネットワーク(GNN)は,グラフ特性の分類において異常な性能を示した。 トレーニングとテストデータの選択バイアスが原因で、分散偏差が広まっています。 仮想サンプルの分布偏差を測定するためのOODキャリブレーションを提案する。
  論文  参考訳（メタデータ） (2023-08-16T13:10:27Z)
• Self-Supervised Graph Transformer for Deepfake Detection [1.8133635752982105]
  ディープフェイク検出手法は、与えられたデータセット内の偽造を認識できる有望な結果を示している。 ディープフェイク検出システムは、一般的な検出性能を保証するために、偽造タイプ、外観、品質に欠かせないままでいなければならない。 本研究では、自己教師付き事前学習モデルを利用して、例外的な一般化能力を実現するディープフェイク検出フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-07-27T17:22:41Z)
• Residual Feature Pyramid Network for Enhancement of Vascular Patterns [0.0]
  本稿では,認識パイプラインに対する汎用的な前処理手法として,指紋強調技術であるResFPNを提案する。 新規な構造検出ブロック(SDBlock)を用いたボトムアップピラミッドアーキテクチャは,様々な幅の静脈の抽出を容易にする。 提案手法を改良することにより,一般的な認識パイプラインにおける平均認識誤差の最大5%まで低減できることを示す。
  論文  参考訳（メタデータ） (2023-06-29T09:14:42Z)
• Boosting Differentiable Causal Discovery via Adaptive Sample Reweighting [62.23057729112182]
  異なるスコアに基づく因果探索法は観測データから有向非巡回グラフを学習する。 本稿では,Reweighted Score関数ReScoreの適応重みを動的に学習することにより因果発見性能を向上させるためのモデルに依存しないフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-06T14:49:59Z)
• Energy-based Out-of-Distribution Detection for Graph Neural Networks [76.0242218180483]
  我々は,GNNSafeと呼ばれるグラフ上での学習のための,シンプルで強力で効率的なOOD検出モデルを提案する。 GNNSafeは、最先端技術に対するAUROCの改善を最大17.0%で達成しており、そのような未開発領域では単純だが強力なベースラインとして機能する可能性がある。
  論文  参考訳（メタデータ） (2023-02-06T16:38:43Z)
• Anomaly Detection on Attributed Networks via Contrastive Self-Supervised Learning [50.24174211654775]
  本論文では,アトリビュートネットワーク上の異常検出のためのコントラスト型自己監視学習フレームワークを提案する。 このフレームワークは、新しいタイプのコントラストインスタンスペアをサンプリングすることで、ネットワークデータからのローカル情報を完全に活用します。 高次元特性と局所構造から情報埋め込みを学習するグラフニューラルネットワークに基づくコントラスト学習モデルを提案する。
  論文  参考訳（メタデータ） (2021-02-27T03:17:20Z)
• Out-of-distribution Generalization via Partial Feature Decorrelation [72.96261704851683]
  本稿では,特徴分解ネットワークと対象画像分類モデルとを協調的に最適化する,PFDL(Partial Feature Deorrelation Learning)アルゴリズムを提案する。 実世界のデータセットを用いた実験により,OOD画像分類データセットにおけるバックボーンモデルの精度が向上することを示した。
  論文  参考訳（メタデータ） (2020-07-30T05:48:48Z)

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。