Synthetic generation of finger-vein region by feature fusion-based enhanced U-transformer for finger-vein recognition
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
Non-contact finger-vein recognition device offers high user convenience and minimizes hygienic issues, but it lacks a separate guide to support the finger region. Therefore, recognition performance can decline if recognized image includes areas not present in enrolled image. Previous approaches to address this issue still fail to overcome performance degradation when critical features are located in missing areas of the recognized image compared to the enrolled image. Therefore, this study proposes the method of synthetic generation of finger-vein region by feature fusion-based Enhanced U-transformer for finger-vein recognition. Enhanced U-transformer enhances recognition performance by outpainting missing finger-vein regions in recognized image using feature fusion-based U-shaped transformer. This improvement is achieved through modified cross-attention, residual layers, structural similarity index measure loss, and absolute positional embedding. The experiment utilized the Hong Kong Polytechnic University finger-image database version 1 and the Shandong University machine learning and applications-homologous multi-modal traits (SDUMLA-HMT) finger-vein database. Finger-vein recognition using Enhanced U-transformer achieved equal error rates of 3.01 % and 4.33 % in these databases, respectively, surpassing the performance of state-of-the-art methods. In addition, our Enhanced U-transformer demonstrates its ability to operate on embedded system with low computational resources.
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 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