A Deep CNN-Based Feature Extraction and Matching of Pores for Fingerprint Recognition
Notice bibliographique
Résumé
The inherent characteristics of fingerprint pores, including their immutability, permanence, and uniqueness in terms of size, shape, and position along ridges, make them suitable candidates for fingerprint recognition. In contrast to only a limited number of other landmarks in a fingerprint, such as minutia, the presence of a large number of pores even in a small fingerprint segment is a very attractive characteristic of pores for fingerprint recognition. A pore-based fingerprint recognition system has two main modules: a pore detection module and a pore feature extraction and matching module. The focus of this paper is on the latter module, in which the features of the detected pores in a query fingerprint are extracted, uniquely represented and then used for matching these pores with those in a template fingerprint. Fingerprint recognition systems that use convolutional neural networks (CNNs) in the design of this module have automatic feature extraction capabilities. However, CNNs used in these modules have inadequate capability of capturing deep-level features. Moreover, the pore matching part of these modules heavily relies only on the Euclidean distance metric, which if used alone, may not provide an accurate measure of similarity between the pores. In this paper, a novel pore feature extraction and matching module is presented in which a CNN architecture is proposed to generate highly representational and discriminative hierarchical features and a balance between the performance and complexity is achieved by using depthwise and depthwise separable convolutions. Furthermore, an accurate composite metric, encompassing the Euclidean distance, angle, and magnitudes difference between the vectors of pore representations, is introduced to measure the similarity between the pores of the query and template fingerprint images. Extensive experimentation is carried out to demonstrate the effectiveness of the proposed scheme in terms of performance and complexity, and its superiority over the existing state-of-the-art pore-based fingerprint recognition systems.
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 | 0,001 | 0,001 |
| 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) | 0,003 | 0,001 |
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 ».