Jun, 2023

加速指纹增强：一种 GPU 优化的混合架构方法

PDF
TL;DR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。
发现论文，激发创造
  • 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

  • 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

  • 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

  • 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

  • 增强驱动的预训练对鲁棒指纹表示学习的提升

    通过基于增强预训练的独特方法，我们提出了一种强大的指纹识别方法，通过专门的编码器从指纹图像中以自我监督的方式获取表示，并通过改进提高了验证性能。实验证明，我们的方法有效，无需依赖增强样本即可从退化图像中提取有意义的指纹表示。

    Feb, 2024

  • 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

  • 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

  • U-Finger: 多尺度扩张卷积网络用于指纹图像去噪和修复

    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。

    Jul, 2018

  • 融合细节点圆柱码和细节点修饰嵌入的潜指纹识别

    通过融合手工特征和深度神经网络嵌入特征的多层次融合方法，提出的方法在潜在指纹识别中显著提高了真实数据集的排名 - 1 识别准确率。

    Mar, 2024

  • EXPRESSNET: 可解释的残差轻量化网络用于指纹展示攻击检测

    本文提出了一种新颖的可解释的残差轻量级网络，通过表示输入指纹样本中的视觉特征来检测介绍攻击，并将其热度图表示，经过修改的残差卷积神经网络判别真假指纹，并在基准活体检测竞赛数据库 Livdet 2011，2013，2015，2017 和 2019 上分别实现了 96.86％，99.84％，96.45％，96.07％和 96.27％的分类准确度，相比于其他技术，该方法在介绍攻击检测基准协议方面的分类准确度表现更优秀。

    May, 2023