增强驱动的预训练对鲁棒指纹表示学习的提升
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
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。
Jun, 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
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
通过学习生成模型留下来的残留特征作为身份信息,进一步确定人工指纹的表示的生成模型,并提出了基于集合编码和对比训练的新学习方法,通过与最先进的指纹方法的比较和消融研究,得到了稳定性和可归属性的改进。
Jun, 2022
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
研究论文旨在提出一种减少对标记数据依赖的替代方法,通过在面部图像识别任务中利用自编码器预训练和两步过程来实现。自编码器首先以无监督的方式使用大量无标签的训练数据集进行训练,然后使用预训练自编码器的初始化参数进行深度学习模型的训练。该方法的实验结果表明,使用预训练自编码器参数初始化的深度神经网络可以达到与现有方法相媲美的效果。
Dec, 2023