FLD-SRC: Fingerprint Liveness Detection for AFIS Based on Spatial Ridges Continuity
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
Automatic fingerprint identification system (AFIS) uses fingerprint to authenticate users, which is legal if the user is enrolled. However, numerous studies reveal that it is susceptible to spoofing attacks where a third person might freely synthesize counterfeit fingerprints to trick the scanner. To resist spoofing attacks, it makes fingerprint liveness detection (FLD) highly desirable. Most of previous work was to directly input the whole fingerprints into convolutional neural network, making it impossible to fully explore the relationship of spatial ridges, especially those with the latent fine-grained minutia on fingerprint ridges. Accordingly, in this paper, we exploit the relationship of spatial ridges in fingerprints and propose a novel FLD method based on spatial ridges continuity (FLD-SRC). Several fingerprint patches are first selected utilizing ridge texture saturation, and then uniformly split into several slices and thus construct the spatial continuity between pixels and between slices. Next, the proposed FLD-SRC learns deep features from fingerprints and eliminates redundant information. After that, the extracted feature maps are treated as a sequence and analyzed the intra-continuity by cascade gated recurrent unit (GRU). A discriminant slice grouping subnetwork is then developed to model the correlation between ridges slices and implicitly discover the discriminant inter-continuity. Pruning strategy is further utilized to reduce network parameters and promote its practical application in real scenarios. Experimental results, evaluated on three publicly available datasets, show the competitiveness of our method. Furthermore, in addition to reducing computational complexity, our method also shows the best ACE performance in cross-material and cross-sensor cases.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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