ECCVJul, 2018

U-Finger: 多尺度扩张卷积网络用于指纹图像去噪和修复

PDF
TL;DR本文介绍了一种多尺度卷积网络 ——U-Finger，用于指纹图像去噪和修复，通过使用膨胀卷积和去除填充等方法，在保留细节纹理的同时消除了复杂的伪影，并在 ECCV 2018 Chalearn LAP Inpainting 比赛中取得了第二名的好成绩。
fingerprintdenoisinginpaintingmulti-scale convolutional networku-finger
发现论文，激发创造
  • 端到端的指纹去噪和修复

    本研究使用 U-Net 类的 CNN 模型，在竞赛数据的全监督训练下，设计了一种端到端的指纹去噪与修复方法，最终在该竞赛的所有指标上取得了最佳结果。

    Jul, 2018

  • 基于 M-Net 卷积神经网络的指纹图像去噪和修复

    使用端到端可训练的卷积神经网络 FPD-M-net，将指纹去噪和修复问题作为分割任务，以结构相似度损失函数为基础，从噪声背景中更好地提取指纹，并在 Chalearn LAP 修复竞赛的第三轨道中排名第 3。

    Dec, 2018

  • FingerNet：用于指纹细节提取的统一深度网络

    本文提出一种基于深度学习卷积神经网络的指纹细节提取新方法， 包含了传统方法的优点，并集成在一个统一的网络中，改善了涉及复杂背景噪声的潜在指纹提取。实验表明该算法优于现有的指纹细节提取算法。

    Sep, 2017

  • Finger-UNet：一种基于 U-Net 的深度指纹增强多任务架构

    研究通过改进编码器 - 解码器风格架构，使用离散小波变换和多任务学习提高指纹识别和增强技术。

    Oct, 2023

  • 用于潜在指纹重建的生成卷积网络

    利用生成卷积网络对指纹进行去噪和缺失图案预测的方法，作为指纹识别前的预处理步骤，能够显著降低 false positive 和 false negative 检测率，并可与多种标准特征提取方法结合使用，如 MINDTCT，MCC，BOZORTH3 等，本方法在使用不同传感器捕获的多个公开指纹数据集上进行了测试。

    May, 2017

  • 一种使用 Transformer 的通用潜指纹增强技术

    本研究旨在开发一种名为 ULPrint 的快速方法，以增强各种潜在指纹类型，包括从真实犯罪现场和实验室创建的样本中获得的指纹，从而提高指纹识别系统的性能。这种新方法通过开发一个基于 Ridge 分段、UNet 和 Mix Visual Transformer (MiT) SegFormer-B5 编码器架构的两步潜在指纹增强方法来解决不同潜在指纹类型的挑战，提高了司法调查和刑事司法结果。

    May, 2023

  • FingerGAN: 一种基于约束的指纹生成方案，用于潜在指纹增强

    本文提出一种名为 FingerGAN 的基于生成对抗网络（GAN）框架下的潜在指纹增强方法，并通过两个公共潜在指纹数据库的实验结果表明其性能显著优于现有最优方法。

    Jun, 2022

  • 使用深度卷积神经网络进行指纹畸变校正

    本文提出了一种基于深度卷积神经网络的指纹形变修正模型，可快速准确地估计图像的形变参数，从而显著提高了扭曲样本的匹配性能。

    Jan, 2018

  • 尺度不变全卷积网络：高效检测手部

    本文提出了一种新的尺度不变的完全卷积网络（SIFCN），采用端到端的方式培训，以有效地检测手部；并设计了互补加权融合（CWF）块和多尺度损失方案来实现尺度不变性和加速训练，同时解决旋转手检测的问题。在 VIVA 数据集上运行速度比现有算法快 4.23 倍，Oxford 手检测数据集上的准确性表现则更优秀。

    Jun, 2019

  • 加速指纹增强：一种 GPU 优化的混合架构方法

    通过 Unet 架构指导，利用混合的深层网络结构增强潜在指纹的细节特征，其中包括使用 Resnet-101 网络和 Unet 编码器的潜力组合，补充了注意力机制和前向跳跃的传输连接。通过创新的指纹增强 Gabor 层，使其在 GPU 计算机上具有更好的可用性和加速性，但仍需进一步的实验验证以确定其在潜在指纹增强领域的可靠性和可用性。

    Jun, 2023