Proposed Convolutional Neural Network Model for Finger Vein Image Classification
Notice bibliographique
Résumé
The identification of individuals through finger vein patterns has become a prominent biometric technique due to its non-invasiveness and uniqueness.Convolutional neural networks (CNNs) have been at the forefront of this technology, offering impressive recognition rates within large, labeled datasets.Despite their successes, the application of CNNs to finger vein recognition remains a challenging task, largely due to the high dimensionality of input data and the multitude of classification outputs required.This paper presents an optimized CNN model designed to address the intricacies of finger vein image classification.It is posited that increasing the number of feature extraction layers, coupled with a strategic selection of kernel sizes for each layer, significantly enhances model accuracy.Through a series of systematic experiments, the optimal layer configurations were identified, resulting in an architecture that surpasses previous models in classification precision.The proposed CNN architecture demonstrates a classification accuracy exceeding 99%, an improvement over existing method.It is noteworthy that the development of this model has been constrained by the limited scale of current finger vein databases, which poses risks of overfitting.Hence, the expansion of these databases is suggested as a future avenue to reinforce the robustness of the training process.The results depicted in this study underscore the potential of deep learning techniques in biometric security, with the advanced CNN model setting a new benchmark in finger vein recognition.
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 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 | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».