使用基于生成对抗网络的合成虹膜图像生成技术进行全面评估,旨在为培训和测试虹膜识别系统和攻击检测器提供真实和可用的虹膜图像。该综述分析了不同模型生成的图像在真实性、唯一性和生物特征实用性方面的优缺点,以发展稳健的虹膜匹配器和攻击检测器。
Apr, 2024
本文旨在概述深度学习算法在计算机视觉领域的应用,包括图像分类,目标识别,图像提取和语义分割等方面,同时讨论了构建和训练深度神经网络面临的未来范围和挑战。
Apr, 2018
该综述论文介绍了 143 篇深度学习在眼底图像方面的应用研究以及 33 个公开数据集,并对每个任务进行了总结和分析,并揭示了所有任务的共同局限性并提出了可能的解决方案。
Jan, 2021
本文总结了 46 篇 2017 年至 2021 年期间发表的关于深度学习在指静脉图像识别方面的研究。文章根据深度神经网络的任务对这些研究进行了总结,并提出了指静脉图像识别的挑战和潜在发展方向。
Jul, 2022
本文全面回顾了深度人脸识别的最近发展,涵盖了算法设计、数据库、协议和应用场景等广泛主题,概述了不同的网络架构和损失函数,将相关的面部处理方法分为 “一对多增强” 和 “多对一归一化” 两类,并总结和比较了常用的数据库用于模型训练和评估,最后强调了技术挑战和几个有前途的方向。
本文介绍了深度学习技术在人脸识别领域中的应用和进展,提出了需要更大和更具挑战性公共数据集的必要性,以及可以提供这样数据集的机构。
Feb, 2019
2023 年的 ''LivDet'' 系列虹膜展示攻击检测(PAD)竞赛的结果。新的元素包括生成对抗网络(GAN)产生的虹膜图像作为展示攻击工具的一类,以及评估人类检测展示攻击工具的准确性作为参考基准。结果分析了不同类型的展示攻击工具的准确性,并与人类准确性进行了比较。总体而言,Fraunhofer IGD 算法表现出最佳的加权准确性结果(平均分类错误率为 37.31%),而北京土木工程与建筑大学的算法在每个展示攻击工具给予相等权重时获胜(平均分类率为 22.15%)。这些结果表明虹膜 PAD 仍然是一个具有挑战性的问题。
Oct, 2023
本文综述了关于图像分割的研究,特别关注了基于深度学习模型的语义分割和实例分割方法,包括全卷积像素标定网络、编码器 - 解码器架构、多尺度与基于金字塔的方法、循环神经网络、视觉注意力模型和对抗生成模型。我们探讨了这些深度学习模型的相似性,能力和挑战,并讨论了未来的研究方向。
Jan, 2020
该论文回顾了与医学图像分析相关的主要深度学习概念,并总结了 300 多项协同研究的成果,大部分研究在过去一年内发表。文中调查了深度学习在图像分类、物体检测、分割、注册等任务中的使用并提供了应用领域的简介。同时也探讨了未来研究的开放性挑战和方向。
Feb, 2017
利用 StyleGAN-Based 技术,生成符合 ISO/IEC 29794-6 标准的验尸场景下逝者虹膜图像,增加数据集的多样性以提高验尸虹膜辨识和防范虹膜攻击的效果。
Dec, 2023