Aug, 2023

PGT-Net：小面积湿指纹去噪与识别的渐进引导多任务神经网络

PDF
TL;DR本研究提出了一种面向移动设备的端到端可训练的渐进式引导多任务神经网络（PGT-Net），通过清理小区域湿指纹图像以改善识别性能，将二进制信息作为输出增强的指导，结合了脊和谷细节。实验证明 PGT-Net 在湿指纹去噪和指纹识别率（FRR）方面具有良好表现，可将指纹识别率显著降低。
fingerprint recognitionmobile devicespgt-netwet-fingerprint denoisingfrr
发现论文，激发创造
  • 基于 M-Net 卷积神经网络的指纹图像去噪和修复

    使用端到端可训练的卷积神经网络 FPD-M-net，将指纹去噪和修复问题作为分割任务，以结构相似度损失函数为基础，从噪声背景中更好地提取指纹，并在 Chalearn LAP 修复竞赛的第三轨道中排名第 3。

    Dec, 2018

  • 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

  • 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

  • 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

  • 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

  • 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

  • Tiny-PPG: 适用于边缘设备的实时光电脉搏图信号动态伪像检测轻量级深度神经网络

    本研究提出了一种轻量级的深度神经网络 Tiny-PPG，用于准确和实时地检测心率监测中的 PPG 运动伪影。经验证实验，增加模型精度和速度之间的平衡，采用了特殊设计的模型结构，训练方法和损失函数，在嵌入式设备上实现实时 PPG 伪像检测。

    May, 2023

  • 基于个性化规范化的稳健无需重训练的生成对抗网络指纹识别

    通过插入个性化归一化 (PN) 层以及训练水印解码器，本文提出了一种无需重新训练的生成对抗网络（GAN）水印方法，使模型开发者可以轻松生成具有相同功能但不同指纹的模型副本，该方法在模型级攻击和图像级攻击的鲁棒性方面优于现有技术。

    Nov, 2023

  • FGENet: 拥挤人群数量的细粒度提取网络

    提出了一种称为 Fine-Grained Extraction Network（FGENet）的端到端模型，直接学习表示个体精确定位的原始坐标，通过引入 Fine-Grained Feature Pyramid（FGFP）来融合特征图并使用多任务组合损失函数（TTC）来减轻标注噪声的影响，实验证明 FGENet 在人群计数中取得了显著的改进。

    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