- 超越一阶:一个多尺度的指节纹理生物特征识别方法
近年来,指节纹理 (FKP) 因其丰富的纹理图案而受到关注,使其成为一个有前景的用于身份识别的生物特征。先前的 FKP 识别方法主要利用一阶特征描述符,能捕捉纹理的细节,但无法考虑结构信息。然而,新兴的研究表明,描述纹理曲线和弧线的二阶纹理 - 数字取证中的手部生物特征
数字取证是确保数字世界免受身份盗窃的不可避免的一部分,生物特征是解决数字取证所遇到问题的更好方案,手部生物特征模式的潜在益处和范围已经通过手几何验证方法进行了调查。
- 三维打印逼真指静脉模型
借助 3D 打印技术创建仿真手指静脉模型,可以模拟手指内部的骨骼、静脉和软组织等,用于开发和评估手指静脉提取和识别方法,同时可以欺骗手指静脉识别系统。
- 使用图像和文字的深度网络识别人体形状
通过使用基于语言(以单词为基础)的身体描述和标准物体分类方法相结合的方法,我们发现身体形状可以用作跨越不同距离和视角的生物特征,从而提高人体识别的准确性。
- GaitRef:优化时序骨架的步态识别
本文提出一种将 silhouettes(侧面轮廓)和 joint skeletons(关节骨架)相结合,利用 silhouette 序列的时间信息优化骨架识别来提高步态识别性能的方法,并在四个公共数据集上展示了最先进的性能。
- 应用机器学习和深度学习于鼠标动态以进行连续用户认证
本文采用三种机器学习和深度学习算法,评估了 40 名用户使用鼠标动态作为生物特征的连续身份验证方案,其中包括二元分类器和多元分类器,并获得了在数据集上最高的准确度。
- 一种基于指纹脊线方向检查的指纹检测方法
该研究提出了一种用于指纹识别系统的指纹检测算法,并结合深度神经网络技术,提高了指纹识别的准确率。
- CVPR基于骨架的步态识别的深入理解
该论文提出了一种基于 Graph Convolutional Networks(GCNs)的方法,结合高级别输入和残差网络,用于骨架轮廓图进行步态识别,实验结果显示了 3 倍于最先进技术水平和强大的视频建模能力。
- 使用数据增强方法训练一个小区域指纹识别深度神经网络,使用正常指纹数据库
本研究提出了一种数据增强的方法,用于训练基于深度神经网络的小区域指纹识别模型,并经测试验证其有效性。
- 音频和视觉信号的跨模态映射的深度潜在空间学习
该论文提出了一种新颖的深度学习算法,通过单流网络和新的损失函数来实现音频和视觉信息的联合表示,并使用类中心对共享的深层潜在空间表示进行表征,以实现无需成对或三重监督。在 VoxCeleb 数据集上的多种任务中进行了定量和定性评估,在跨模式验 - CVPR隐私保护的群组成员验证和识别
通过嵌入和聚合机制,该文提出一种学习方法来保护组成员隐私和安全,并在人脸识别实验中展示了该方法带来的安全和隐私性能和鉴定 / 辨认性能的卓越平衡。
- ECCV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。
- Finger-GAN: 利用连通性限制的 GAN 生成逼真指纹图像
本研究提出了一种基于 GAN 的机器学习框架,能够通过先前训练的先验分布来生成指纹图像。在 loss 函数中添加合适的正则化项以实现指纹图像的连通性,在两个流行的指纹数据库中进行实验,结果表明模型能够生成非常逼真且类似于样本的指纹图像,并且 - 野外环境中的种族面孔:信息最大化适应网络降低种族偏见
本文针对深度人脸识别中的种族偏见问题进行了研究,首先构建了一个名为 RFW 的专门数据集,验证了四个商业 API 和四个 SOTA 算法的种族偏差,并提出了一种使用深度无监督领域自适应的解决方案,并通过 “信息最大化自适应网络”(IMAN) - 卷积神经网络在人脸反欺诈中的性能评估
本文通过基于卷积神经网络的 Inception 和 ResNet 模型在 MSU Mobile Face Spoofing 数据库上的表现,研究了如何应用这些深度学习算法实现面部反欺骗的生物特征访问控制。