潜指纹识别的对偶关系建模
提出了一种新的人脸识别方法，称为对比关系网络，该网络利用特征图上地标点周围的局部外观特征，捕捉相同身份的独特对比关系和不同身份之间的有区别性的对比关系，并通过添加面部身份状态特征来进一步提高准确性。
Nov, 2018
基于多任务 CNN-Transformer 混合网络，本研究提出了一种联合估计部分指纹的身份验证和相对位姿的方法，旨在利用它们之间的固有相关性相互改进，实验结果表明，该方法在部分指纹验证和相对位姿估计方面取得了最先进的性能。
May, 2024
本论文提出了一种名为 AFRN 的人脸识别方法，它是通过考虑注意力分数来表示本地外观块特征的相关配对，以增加准确性并通过使用双线性注意力网络提取联合特征 - 对关系。在实验中，该方法在诸多数据集上的表现均超越了现有的最先进的方法。
Aug, 2019
本文旨在研究基于特征提取层面的人脸和指纹生物识别特征融合方法，通过提取两种模态的独立特征点集并使其兼容进行拼接，同时运用特征降维技术处理维数灾难问题并比较实验结果，最终通过点纹匹配和 Delaunay 三角剖分等技术对数据库和查询图像的融合特征点集进行匹配，从而评估其在特征提取层面的融合效果与匹配评分的差异。
Feb, 2010
本文提出了一种基于 pairwise relational network (PRN) 的人脸识别方法，使用本地外观补丁捕捉局部特征并捕捉不同身份之间独特而具有区分性的成对关系，融合全局特征表示和面部身份状态特征来进一步提高准确性，在 LFW、YTF 和 IJB 数据集上都获得了良好的实验效果。
Aug, 2018
与图纹型指纹表示相比，固定长度的表示因其简单和高效的匹配而具有吸引力。然而，当匹配不同可见区域的指纹时，固定长度的指纹表示在准确度上存在限制。为了解决这个问题，我们提出了一种名为 LDRF 的局部深度指纹表示。LDRF 通过关注局部区域内的区分特征，为具有不同可见区域的指纹提供了更加稳健和准确的固定长度表示。LDRF 可以适应保留在任何有效区域内的信息，具有高度的灵活性。LDRF 产生的匹配分数还展现出直观的统计特性，因此我们提出了一种匹配分数归一化技术来减轻在非常小的重叠区域情况下的不确定性。通过这种新技术，即使数据库规模迅速增长，我们仍能保持高水准的准确性和可靠性。我们在 21 个数据集上进行的实验结果包含超过 140K 个具有不同手指姿势和印记类型的指纹，表明 LDRF 优于其他固定长度表示，并且对感测技术和印记类型具有鲁棒性。此外，所提出的匹配分数归一化技术在包含超过 5.11 百万个指纹的大规模识别实验中有效降低了错误匹配率（FMR），相较于不进行匹配分数归一化和之前的研究，降低了两个数量级和五个数量级。
Nov, 2023