本文提出了一种基于卷积神经网络的多任务学习方法，通过共享网络特征并分别对检测和特征学习任务进行优化，实现对纹身进行检索和搜索，在多个公共纹身基准测试中显示出卓越的性能。

Nov, 2018

我们提出了 PrintsGAN，这是一种合成指纹生成器，能够为给定的指纹生成独特的指纹和多个印象。使用 PrintsGAN，我们合成了一个由 525k 个指纹（包括 15 个印象的 35k 个不同手指）组成的数据库，利用该数据库，我们训练了一个深度网络，从指纹中提取了一个固定长度的嵌入，这在真实情况下是非常困难的。

Jan, 2022

本文利用深度学习方法对人脸识别中的模板进行分析，探究其中包含的 113 个属性。结果显示，最多可预测 74 个属性，尤其是年龄、发型、发色、胡须和不同配件等不稳定属性容易被预测。这项工作有助于开发更加隐私保护、公平的人脸模板。

Sep, 2020

提出了一种端到端的面部图像检索框架，利用相关反馈逐步提供给目击者，对心理图像进行交互式和迭代式检索，无需额外注释，并进行 exttt {CelebA} 数据集上的实验证明，该模型在最佳设置下的排名百分位数可以达到 99％，可以成为进一步研究的基础。

Jul, 2020

使用创新的图像扭曲技术，我们介绍一种能使面部图像对肉眼不可识别但仍可由自定义嵌入神经网络模型识别的生物特征认证系统，通过在 MNIST 和 LFW 数据集上的实验评估其有效性，并基于传统比较指标进行比较。

Feb, 2024

本论文提出了一种基于深度生成网络设计可视标记的新方法，该方法综合考虑了与标记制造和扫描相关的典型光度和几何变形，能够自动适应使用场景和所需容量，并能够将信息编码与艺术风格相结合。

Oct, 2016

提出了一种通过在原始模板中隐藏子模板并使用足够多的冗余点来保护生物特征模板信息的混淆方法，并使用生成对抗网络（GAN）生成的合成面部图像作为安全保险库授权系统中的随机冗余点，该方法在测试中表现良好且不会对准确性产生不利影响。

Apr, 2024

TinySiamese 是一种用于生物识别的网络，采用预训练 CNN 作为特征提取器和 TinySiamese 学习提取特征，以达到与标准 Siamese 几乎相同的性能和效率，避免了内存和计算时间的问题。TinySiamese 可以在低功耗机器上运行，只需要不超过 7 层的小型网络，并在多个数据集上实现了高准确性。

Jul, 2023

本研究旨在解决模板适应性问题，结合深度卷积神经网络和模板特定的线性 SVM，发现其在模板之间迁移的情况下可以显著提高面部识别性能，而这种方法较之传统的二维和三维对齐方法结果相当。

Mar, 2016

本文针对视觉监控中的一项新兴任务，通过匹配人体信息在距离上重新识别人的问题进行了研究，并提出了一种基于部件和替代组成的简单而富有表现力的模板，以及一种带有聚类抽样的有效匹配算法，实验表明该方法在三个公共数据库上具有更优秀的性能。

Feb, 2015