Fingerprint Liveness Detection Using an Improved CNN With Image Scale Equalization
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Due to the lack of pre-judgment of fingerprints, fingerprint authentication systems are frequently vulnerable to artificial replicas. Anonymous people can impersonate authorized users to complete various authentication operations, thereby disrupting the order of life and causing tremendous economic losses to society. Therefore, to ensure that authorized users' fingerprint information is not used illegally, one possible anti-spoofing technique, called fingerprint liveness detection (FLD), has been exploited. Compared with the hand-crafted feature methods, the deep convolutional neural network (DCNN) can automatically learn the high-level semantic detail via supervised learning algorithm without any professional background knowledge. However, one disadvantage of most CNNs models is that fixed scale images (e.g., 227 × 227 ) are essential in the input layer. Although the scale problem can be handled by cropping or scaling operations via transforming an image of any scale into a fixed scale, they can easily cause some key texture information loss and image resolution degradation, which will weaken the generalization performance of the classifier model. In this paper, a novel FLD method called an improved DCNN with image scale equalization, has been proposed to preserve texture information and maintain image resolution. Besides, an adaptive learning rate method has been used in this paper. In the performance evaluation, the confusion matrix is applied into FLD for the first time as a performance indicator. The amounts of the experimental results based on the LivDet 2011 and LivDet 2013 data sets also verify that the detection performance of our method is superior to other methods.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle