基于物理驱动的光谱一致的掌纹验证的联邦学习
本文提出了一种用于多光谱掌纹特征编码和匹配的方法,并设计了二进制哈希表结构以实现在大型数据库中有效匹配,经过综合实验验证,该方法在识别和验证场景下均表现出比现有最先进方法更为出色的性能表现,产生的误差率分别为 0.003%和 0.2%,证明了掌纹作为一项可靠且有前途的生物测定技术。
Feb, 2014
基于模型频谱信息的新型谱蒸馏方法以及建立了通用与个性化模型训练之间的双向桥梁的共蒸馏框架,并提出了一种无等待本地训练协议,通过实验证明了这些方法的优越性和有效性。
Jan, 2024
本文提出了一种用于指静脉识别的个性化和异步联邦学习(PAFedFV)框架,通过设计个性化模型聚合方法解决非独立同分布(non-IID)数据的异构性,并采用异步训练模块来利用客户端的等待时间,在六个指静脉数据集上进行了广泛的实验,分析了非独立同分布指静脉数据对联邦学习性能的影响,并展示了 PAFedFV 在准确性和鲁棒性方面的优势。
Apr, 2024
最近的研究努力将自监督学习与联邦学习框架相结合。提出一种名为 FedSC 的可证明的 FedSSL 算法,基于光谱对比目标,通过周期性共享数据表示的相关矩阵,实现了跨客户数据样本的对比,改善了数据表示的质量,并部署差分隐私保护来控制额外的隐私泄露。实验证实了我们提出算法的有效性。
May, 2024
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
该论文提出了一种新的逼真伪掌纹生成(RPG)模型,用来合成具有大量身份特征的掌纹,进而提升掌纹识别的性能,并且证明其在真实数据不充足时仍然优于当前最先进的方法。
Jul, 2023
该论文介绍了一种联邦学习方法,以检测针对由资源受限的频谱传感器管理的数据的攻击,通过创建适合 FL 的新数据集,将肆意加入的参与者调整到 33%以及四种聚合函数来提高模型的鲁棒性。
Jan, 2022
本研究利用深度半监督学习结合数据增强技术、基于一致性正则化和伪标记的方法,大量利用未标记数据进行 RF 指纹识别,并证明我们提出的半监督 RF 指纹识别方法是明显优于其他竞争方法的,且可以在充足的条件下近乎完全监督与学习性能一致。
Apr, 2023
利用扩散概率模型介绍了一种新的手掌纹理生成方法,并开发了一个端到端框架来合成多个手掌身份,通过多个测试数据库的交叉数据库和时间分离评估协议证实了生成的手掌纹理图像在增强非接触式手掌纹理识别性能方面的有效性。
Jun, 2024
该研究针对图聚类中的计算开销和数据隐私问题,提出了一种基于联邦学习的谱聚类算法(FedSpectral),并设计了相似度度量标准,该算法相对于全局聚类具有较高的相似性。
Feb, 2023