Hybrid Fingerprint Classification Using Deep Learning and Sobel Feature Fusion
Notice bibliographique
Résumé
Fingerprint classification serves as a critical preprocessing step in biometric and forensic identification systems. By categorizing fingerprints into distinct types, such as Thumb, Index, Middle, Ring, and Little, the process significantly reduces the search space, thereby enhancing the efficiency, speed, and accuracy of matching algorithms. This is particularly valuable in large-scale identification tasks and law enforcement applications. However, achieving accurate classification remains challenging due to high visual similarity between classes, intra-class variability, and imbalanced datasets. In this study, we present a hybrid fingerprint classification framework, which combines deep learning-based embeddings with handcrafted Sobel edge features to improve both model robustness and interpretability. Three state-of-the-art architectures-EfficientNet: B0, ResNet50, and Vision Transformer (ViT-B/16), were employed to extract semantic feature representations, which were fused with Sobel-based statistical edge descriptors. The models were trained and evaluated on the SOCOFing dataset using a stratified 70-1515 split, with class imbalance addressed via oversampling using WeightedRandomSampler. EfficientNet-B0 achieved the best performance, with a test accuracy of 99.19%, F 1 -score of 99.18%, and recall of 99.19%. The models' reliability and precision across fingerprint classes were further validated through confusion matrix analysis and visual prediction results, demonstrating the effectiveness of the proposed hybrid approach for fine-grained fingerprint classification.
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 | 0,000 | 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 | 0,000 |
| 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 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 ».