本研究关注耳部生物特征识别,通过利用其独特特征来提高准确性、可靠性和实用性,并证明了耳部生物特征识别在克服面部表情和光照条件变化等局限性方面的有效性。通过数据预处理和增强等技术,我们的模型在 AMI 数据集上实现了 99.35% 的测试准确率,并在 EarNV1.0 数据集上实现了 98.1% 的测试准确率,展示了我们方法在基于耳部生物特征的个体识别方面的有效性。
May, 2024
本文介绍了耳朵识别方案 UERC (Unconstrained Ear Recognition Challenge) 的结果,包括集中于未受控制条件下从耳图像中识别人的问题,挑战的目标是评估现有的耳识别技术在具有挑战性的大规模数据集上的性能,并识别未来需要解决的开放问题。
Aug, 2017
基于生物特征的人类性别分类是计算机视觉领域的一个重要问题,本研究使用深度卷积神经网络模型对耳部图像进行自动性别分类,通过在 EarVN1.0 耳朵数据集上进行评估,准确率达到 93%。
Aug, 2023
本文综述了红外成像在人脸识别领域的应用,通过综合分析当前最有影响力的方法与数据库,总结出未来研究的方向。
Jan, 2014
本研究通过深度卷积神经网络方法和基于几何和外观特征的方法对耳部图像进行建模,以进行性别和年龄分类。我们利用了几何特征和外观方法的混合模型,其中一些知名的卷积神经网络模型包括 AlexNet、VGG-16、GoogLeNet 和 SqueezeNet。实验结果表明,采用外观的方法比基于几何的方法更有效,并且我们在性别分类中达到了 94%的精度,而在年龄分类中只达到了 52%的精度。
Jun, 2018
本文就生物识别技术面临的问题进行了调查,包括认知性能、安全性、公平性、数据归集和用户隐私等,并提出了如何解决这些问题以提高其安全性和公信力的建议。
May, 2021
本研究探讨软生物特征在不受限场景下增强人脸识别系统的作用,并使用 LFW 数据集展示了软生物特征与深度学习人脸检测系统融合后能够相对提高 40%/15%的验证性能。
Oct, 2022
本研究提出使用智能无线设备作为监督标签,通过 AutoTune 技术学习并完善人脸识别系统,实现无需用户干预的特定环境下不断演进的面部识别系统。
Aug, 2019
本研究提出了一种利用面部识别和语言时的面部特征运动的身份验证过程,该过程不受语言限制且在低资源计算环境中具有 96.1% 准确率的表现。
Apr, 2023
本文研究了无约束耳辨识问题,并证明了当使用深度卷积神经网络模型进行耳辨识时领域适应的重要性。通过收集新的耳朵数据集,混合不同的深度卷积神经网络模型来进一步提高性能,分析了耳像质量对分类性能的影响。通过在 UERC 数据集上进行实验验证,实验结果表明,领域适应会带来显著的性能提升,并且图像质量对结果有影响。对不同数据集存在偏差的问题进行分析,结果表明耳辨识数据集之间存在较强的偏差。
Mar, 2018