Apr, 2023

移动非接触指纹图像质量 (MCLFIQ)

PDF
TL;DR提出了 MCLFIQ 算法，它是首个用于移动无接触指纹的质量评估算法。该算法使用一个合成的无接触指纹数据库来重新训练了用于接触式指纹的 NIST 指纹图像质量（NFIQ）2 方法，并在三个真实的无接触指纹数据库上评估了其性能，结果显示该方法比原来的 NFIQ 2 方法和基于锐度的质量评估算法更为准确和稳健，建议将其作为无接触指纹质量评估的新标准算法候选。
发现论文，激发创造
  • 指纹图像质量估计方法的比较研究

    该研究论文研究了指纹验证中的一个问题：指纹图像的质量下降不利于系统的整体性能，因此，为了解决这个问题，需要对定捕获的指纹图像进行质量和有效性的估计。

    Nov, 2021

  • 基于优化的人脸图像质量评估技术的改进

    该研究旨在提高现有面部图像质量评估（FIQA）技术的性能与稳定性以适用于真实世界场景。采用基于监督质量标签优化的方法，结合特定的面部识别模型（ArcFace，ElasticFace，CurricularFace），在五个常用基准测试数据集上，对六种最新的 FIQA 方法（CR-FIQA，FaceQAN，SER-FIQ，PCNet，MagFace，SDD-FIQA）进行了全面的实验评估，取得了令人鼓舞的结果。

    May, 2023

  • CR-FIQA: 通过学习样本相对可分类性进行面部图像质量评估

    本文提出一种学习范式以及建立基于其的面部图像质量评估算法（CR-FIQA），通过预测面部图像样本的相对分类能力来估计其质量，并通过角度空间中的训练样本表征来测量相对分类能力。该方法在面部识别模型训练中同时进行优化，并经过大量实验表明其在 8 个基准和 4 个面部识别模型上具有优越性。

    Dec, 2021

  • 基于深度学习的非接触式指纹分割和提取方法

    开发基于深度学习的非接触式指纹定位与分割工具，其平均绝对误差为 30 像素、角度预测误差为 5.92 度、标签准确率为 97.46%。

    Nov, 2023

  • 光学表面压花的物理增强多保真度学习

    使用多保真度神经网络解决反问题，通过纹理映射实现将机械性能的光学图像转化为真实电容力曲线。

    Nov, 2023

  • PICNIQ：自然图像质量评估的两两比较

    本文介绍了 PICNIQ，一种创新的成对比较框架，通过强调相对而非绝对质量评估，克服传统盲图像质量评估方法的局限性。PICNIQ 利用精心设计的深度学习架构、特定的损失函数和稀疏比较设置的训练策略实现了成对图像的质量差异评估，并通过心理测量缩放算法（如 TrueSkill）将成对比较转化为可解释的图像质量评分。通过使用 PIQ23 数据集中的比较矩阵进行广泛的实验分析，我们展示了 PICNIQ 在现有模型上的卓越性能，凸显了其在盲图像质量评估领域中树立新的标准的潜力。

    Mar, 2024

  • 通过原子力显微镜图像的分子指纹提取进行分子鉴定

    通过使用拓扑指纹描述分子结构并利用深度学习模型进行虚拟筛选，我们能够从三维原子力显微镜堆栈图像中提取最优化的结构描述符，从而实现对分子的识别，识别准确率可达 97.6％。

    May, 2024

  • RidgeBase：跨传感器多指接触式非接触式指纹数据集

    本文介绍了 RidgeBase 基准数据集，该数据集是用两个智能手机相机和一台平板式接触式传感器在不同背景和光照条件下从 88 个个体中采集的超过 15,000 对接触式和非接触式指纹图像。为了促进不同匹配场景下的研究，我们提出了一种基于集合的匹配协议，特别是针对实用的非接触指纹匹配，可考虑注意力、极性和指角度的差异。我们还在 RidgeBase 数据集上报告了不同协议的定量和定性基线结果。

    Jul, 2023

  • 移动非接触式掌纹识别：多尺度多模型嵌入

    将全局和局部特征相结合的新框架可提高掌纹匹配准确性，结合 ViT 和 CNN 特征的基于移动设备的 Palm-ID 系统在 AMD EPYC 7543 32-Core CPU 上以 128 个线程在 18ms 内提取模板，在 0.33ms 内对 10,000 个掌纹图库进行高效搜索，并在大规模操作数据集上实现 98.06% 的真正接受率（TAR）和 0.01% 的误认为真率（FAR），同时在移动设备中嵌入完整的识别流程以提升用户隐私和安全。

    Jan, 2024

  • FIGO：使用 GAN 和一次性学习技术增强指纹识别方法

    提出了一种基于生成对抗网络和一次学习技术 (FIGO) 的指纹识别方法，该方法包含指纹增强和指纹识别两个部分。首先，使用 Pix2Pix 模型直接将低质量指纹图像转换为更高水平的指纹图像，提高了指纹识别模型的性能。其次，使用一次学习方法构建了完全自动化的指纹特征提取模型，从而实现了指纹的自动化识别。

    Aug, 2022