基于深度学习的非接触式指纹分割和提取方法
我们提出了一种用于无接触指纹的通用表现攻击检测方法,该方法使用了合成的无接触指纹进行模型训练,并结合了 Arcface 和 Center loss 进行联合损失函数的设计,最终取得了 0.12% 的正常认证错误率、0.63% 的攻击展示分类错误率和 0.37% 的平均分类错误率。
Oct, 2023
我们提出了一种创新的反欺骗方法,将无监督自编码器与卷积块注意模块相结合,以解决现有方法的局限性,并具有有效推广性。我们的模型仅在真实图像上进行训练,未接触任何伪造样本,在测试阶段用于评估各种类型的展示攻击图像。我们的方案在涉及各种类型伪造样本的展示攻击中,实现了平均 BPCER 为 0.96%,APCER 为 1.6%。
Nov, 2023
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
本文提出了一种基于深度学习的算法,用于精确定位和标记斜向和过度旋转的掌纹影像中的指纹,并通过在新数据集上的训练证明此算法在不同年龄组的掌纹影像中均具有不变性,并在成年人和儿童主体的正常和旋转图像的综合数据集中,实现了 97.17%的匹配准确度,表现优于现有的系统。
Mar, 2023
本文研究了七种预训练 CNN 和一个 Vision Transformer 模型对于探测虚假指纹的泛化能力,并通过四个不同的仿冒手段和深度特征技术的性能评估结果表明,ResNet50 CNN 具有最好的泛化性能。
Jul, 2023
以手部几何为基础的四指生物特征方法,采用特征选择方法提高鉴别性能,实验使用 Bosphorus 手部数据库的 300 个受试者进行测试,通过排名为基础的本地 FoBa 算法选择的 25 个特征子集,实现了最佳鉴别准确率 98.67% 和等错误率 4.6%。
Dec, 2023
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
本论文综述了在室内定位中利用深度学习的方法,包括对不同指纹类型的优缺点、已提出的解决方案以及性能评估等方面进行了综合分析比较,还介绍了公开数据集和实施过程中可能遇到的挑战和问题,为未来研究提供了一些展望。
May, 2022
本研究提出了一种完全自动的无监督学习策略,用于创建指静脉图像数据集,以提高模式提取准确度。通过采用全球范围的指静脉图案定向估计,本文的方法在模式提取准确率方面表现优秀,达到 99.6%,显著高于其他常见的无监督学习方法,如 k 均值和模糊 C 均值(FCM)
May, 2022