論文の概要: AFID: A Unified Open Framework for Automated Fingermark Identification, Quality Assessment and Feature Extraction

• arxiv url: http://arxiv.org/abs/2609.07439v1
• Date: Mon, 07 Sep 2026 12:49:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-12 00:20:13.62361
• Title: AFID: A Unified Open Framework for Automated Fingermark Identification, Quality Assessment and Feature Extraction
• Title（参考訳）: AFID: 自動フィンガーマーク識別、品質評価、特徴抽出のための統一オープンフレームワーク
• Abstract要約: AFIDは、摩擦リッジ画像処理のための統一されたオープンソースフレームワークである。 単一の共有エンコーダに基づいて、認識、品質評価、特徴抽出を行う。 コード、モデル、アノテーションをコミュニティにリリースしています。
• 参考スコア（独自算出の注目度）: 2.922158044233536
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Automated fingermark identification is the foundation of forensic investigation, yet progress in the field is held back by fragmented, closed-source solutions trained on private or discontinued data. We present AFID, a unified open-source framework for friction ridge image processing that performs recognition, quality assessment, and feature extraction based on a single shared encoder, trained exclusively on publicly available data. At its core is a fixed-length representation learned for identity discrimination, trained under heavy augmentation. Despite applying essentially no preprocessing beyond resizing and padding at inference, AFID sets a new state of the art in fixed-length fingermark recognition, leading identification across NIST SD 27 (67.6% rank-1) , SD 302 (54.9% rank-1), and SD 303 (67.6% rank-1), surpassing a commercial matcher on fingermarks. From the same frozen backbone, a quality assessment module predicts recognition utility more accurately than any compared baseline and generalizes across independent matchers, while lightweight decoders recover minutiae, ridge orientation, and segmentation competitive with dedicated methods. The framework proves that a single, efficiently trained encoder can support the full fingermark processing pipeline, from recognition through quality assessment all the way to feature extraction. To accelerate research on fingermark analysis even further, we release the code, models, and annotations to the community.
• Abstract（参考訳）: フィンガーマークの自動識別は法医学的な調査の基礎であるが、この分野の進歩は、プライベートまたは廃止データに基づいて訓練された、断片化されたクローズドソースのソリューションによって支えられている。 本稿では,単一の共有エンコーダに基づく認識,品質評価,特徴抽出を行う,摩擦リッジ画像処理のための統一的なオープンソースフレームワークであるAFIDについて述べる。 中心となるのは、重い強化の下で訓練されたアイデンティティ識別のために学習された固定長表現である。 推論におけるリサイズやパディング以上のプリプロセッシングは行わないが、AFIDは固定長のフィンガーマーク認識において新しい最先端を定め、NIST SD 27 (67.6% rank-1) 、SD 302 (54.9% rank-1) 、SD 303 (67.6% rank-1) が指マークの商業的マーカを上回っている。 同じ冷凍バックボーンから、品質評価モジュールは、比較されたベースラインよりも正確に認識ユーティリティを予測し、独立したマーカをまたいで一般化する。 このフレームワークは、1つの効率よく訓練されたエンコーダが、認識から品質評価まで、機能抽出まで、全指文字処理パイプラインをサポートすることを証明している。 さらにフィンガーマーク解析の研究を加速するために、コード、モデル、アノテーションをコミュニティにリリースする。

関連論文リスト

• Subject-Level Unknown-Identity Identification from Leap Motion Controller 2 Hand Landmarks [7.5390138241520575]
  本研究では,Lap Motion Controller 2(LMC2)ハンドランドマークデータからの被写体認識を,被写体レベルの未知の識別プロトコルの下で研究する。 目印のみを用いて指先間距離と手のひら正規化角形記述子を豊かにする。 その結果、コンパクトで解釈可能なランドマークベースの記述子により、接触のない手による未知のオブジェクトの拒絶と小さなコホートデータセットでの識別が可能になった。
  論文  参考訳（メタデータ） (2026-06-22T08:05:27Z)
• All in One: Unifying Deepfake Detection, Tampering Localization, and Source Tracing with a Robust Landmark-Identity Watermark [25.001768538619558]
  悪意ある顔操作は、個人のプライバシーと社会保障に重大な脅威をもたらす。 既存のプロアクティブな法医学的手法は、ディープフェイクの検出、ローカライゼーションの改ざん、ソーストレースを独立したタスクとして扱う。 本稿では,これら3つの中核課題に共同で対処する一貫した前立腺科学フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-02-26T21:57:15Z)
• LEADER: Lightweight End-to-End Attention-Gated Dual Autoencoder for Robust Minutiae Extraction [0.05978532290288763]
  本稿では,生の指紋画像を微細な記述子にマッピングするニューラルネットワークであるLEADER(Lightweight End-to-end Attention-gated Dual autoencodER)を紹介する。 新しく作られた"Castle-Moat-Rampart"のグラウンドトルースエンコーディングと、アテンションゲーティング機構を介して相互接続されたデュアルオートコーダ構造を採用している。 NIST SD27データセットでF1スコアが34%高い。
  論文  参考訳（メタデータ） (2026-02-17T11:02:28Z)
• TransFIRA: Transfer Learning for Face Image Recognizability Assessment [73.61309363885552]
  TransFIRAは軽量でアノテーションのないフレームワークで、埋め込みスペースで直接認識できる。 顔以外の新しい拡張には、エンコーダで座屈した説明可能性があり、これは、劣化と被写体固有の要因が認識可能性にどのように影響するかを示す。 実験では、顔に対する最先端の結果、身体認識に対する強い堅牢性、およびデータセット間のシフトの下で確認された。
  論文  参考訳（メタデータ） (2025-10-07T18:16:21Z)
• ECG Identity Authentication in Open-set with Multi-model Pretraining and Self-constraint Center & Irrelevant Sample Repulsion Learning [6.106335826823355]
  オープンセット設定でも高い性能を維持する頑健なECG認証システムを提案する。 本手法は,99.83%の認証精度を達成し,False Accept Rateを5.39%まで低く維持する。
  論文  参考訳（メタデータ） (2025-04-25T12:18:51Z)
• Improved Out-of-Scope Intent Classification with Dual Encoding and Threshold-based Re-Classification [6.975902383951604]
  現在の手法は、予測不可能なアウトリーチ分布で困難に直面している。 本稿では,これらの課題に対処するため,Dual for Threshold-Based Re-Classification (DETER)を提案する。 我々のモデルは以前のベンチマークより優れており、未知のインテントに対するF1スコアの13%と5%に向上しています。
  論文  参考訳（メタデータ） (2024-05-30T11:46:42Z)
• Distillation-guided Representation Learning for Unconstrained Gait Recognition [50.0533243584942]
  本研究では,屋外シナリオにおける人間認証のためのGADER(GAit Detection and Recognition)フレームワークを提案する。 GADERは、歩行情報を含むフレームのみを使用する新しい歩行認識手法により識別的特徴を構築する。 室内および屋外のデータセットに一貫した改善を示すため,複数の歩行ベースライン(SoTA)について評価を行った。
  論文  参考訳（メタデータ） (2023-07-27T01:53:57Z)
• Gait Recognition in the Wild: A Large-scale Benchmark and NAS-based Baseline [95.88825497452716]
  歩行ベンチマークにより、研究コミュニティは高性能歩行認識システムの訓練と評価を行うことができる。 GREWは、野生における歩行認識のための最初の大規模データセットである。 SPOSGaitはNASベースの最初の歩行認識モデルである。
  論文  参考訳（メタデータ） (2022-05-05T14:57:39Z)
• Federated Learning for Face Recognition with Gradient Correction [52.896286647898386]
  本稿では,顔認識のためのフェデレーション学習に取り組むためのフレームワークであるFedGCを紹介する。 我々は,FedGCが標準ソフトマックスと同様の損失関数を構成することを示す。
  論文  参考訳（メタデータ） (2021-12-14T09:19:29Z)
• 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)
• End-to-End Object Detection with Fully Convolutional Network [71.56728221604158]
  エンドツーエンド検出を実現するために,分類のための予測対応ワン・ツー・ワン (POTO) ラベルの割り当てを導入する。 局所領域における畳み込みの判別性を向上させるために, 簡易な3次元maxフィルタ(3dmf)を提案する。 エンドツーエンドのフレームワークは,COCOおよびCrowdHumanデータセット上のNMSを用いて,最先端の多くの検出器と競合する性能を実現する。
  論文  参考訳（メタデータ） (2020-12-07T09:14:55Z)

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。