Deep Residual Network With Adaptive Learning Framework for Fingerprint Liveness Detection
Notice bibliographique
Résumé
Today, fingerprint recognition technology has aroused wide attention in the society, especially in the application of identity authentication with a smartphone as a carrier. However, the disadvantage of these devices is that the identification sensors are vulnerable to spoofing attacks from artificial replicas made from clay, gelatin, silicon, etc. To resolve it, a feasible anti-deception countermeasure, called fingerprint liveness detection (FLD), has been proposed. Different from most shallow feature methods, the deep convolutional neural network (DCNN)-based FLD methods have been widely explored with the properties of fast operation, few parameters, and end-to-end feature self-learning. Meanwhile, DCNN faces a pair of contradictory problems, on the one hand, the training accuracy will keep rising with the increasement of multilayer perceptron (MLP), finally tends to a stable value. Continue to increase the number of MLP, results will decline. Much research, on the other hand, shows that the number of MLP is the foundation for realizing a high performance detection. Hereby, we apply deep residual network (DRN) to FLD for the first time to solve the contradiction mentioned in this paper. Next, to eliminate the interference of invalid regions of given images, a region-of-interest (ROI) extraction algorithm is put forward. Afterward, to avoid the parameters learned plunging into local optimization, adaptive learning-based DRNs (ALDRNs), which automatically adjust the learning rate if those monitoring parameters (verification accuracy) are stable, are explored. Finally, we propose a novel texture enhancement based on the local gradient pattern (LGP) method to improve the generalization of a model classifier as well. Experimental results on three benchmark data sets: LivDet 2011, 2013, and 2015, show that our results outperform the state-of-the-art FLD 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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».