通过深度学习提高指纹活力检测精度:一项全面的研究和一种新的方法
Deep Kothadiya1, Chintan Bhatt2, Dhruvil Soni2
1U & P U Patel Department of Computer Engineering, CHA-RUSAT Campus, Charotar University of Science and Technology, Petlad 388421, India.
Journal of imaging
|August 25, 2023
概括
这项研究通过使用深度学习与顺序注意力模型和ResNet卷积来增强指纹活力检测. 改进的方法提高了防止未经授权访问和网络鱼尝试的准确性.
科学领域:
- 生物识别和安全
- 计算机视觉 计算机视觉
- 深度学习 (Deep Learning) 是一种深度学习.
背景情况:
- 生物识别系统,特别是指纹识别,对于个人身份识别越来越受欢迎.
- 活力检测对于防止未经授权的访问和复杂的网络鱼攻击至关重要.
- 深度学习,特别是计算机视觉技术,在图像分析任务中显示出显著的前景.
研究的目的:
- 提出和评估用于指纹活力检测的先进深度学习方法.
- 通过使用顺序注意力机制,增强指纹图像中的特征学习.
- 将拟议方法的性能与最新的深度学习模型进行比较.
主要方法:
- 一种新的方法,将ResNet卷积与顺序空间注意力 (SA) 和道注意力 (CA) 模型相结合.
- 实施一个三倍顺序的注意力模型,整合了五个卷积层.
- 在LivDet-2021数据集上使用不同的聚合策略 (最大,平均,随机) 的评估.
- 与已建立的卷积神经网络 (CNN) 进行比较分析,例如DenseNet121,VGG19,InceptionV3和ResNet50.
- 对特征提取的ResNet34和ResNet50模型的评估,通过顺序注意模型来增强.
- 使用多层感知器 (MLP) 分类器,其中一个完全连接的层用于最终预测.
主要成果:
- 拟议的顺序注意模型显著增强了指纹活力检测的特征学习.
- 在各种聚合策略中评估了绩效,证明了稳健性.
- 对比显示了与多个最先进的CNN架构相比具有竞争力或优异的结果.
- 注意力机制与ResNet模型的整合在特征提取方面取得了显著的改进.
结论:
- 开发的深度学习方法,结合顺序注意力和ResNet,为强大的指纹活力检测提供了强大的解决方案.
- 该方法有效地提高了生物识别安全系统的准确性和可靠性.
- 进一步的研究可以探索注意力机制和网络架构的变化,以获得更大的性能收益.
相关概念视频
01:03IR Frequency Region: Fingerprint Region
937
IR spectra are divided into two main regions: the diagnostic region and the fingerprint region. The diagnostic region of the spectrum lies above 1500 cm−1. The absorptions resulting from single-bond vibrations of the N–H, C–H, and O–H stretch at higher wavenumbers and appear on the left side of the spectrum. The stretching absorptions of the C≡C and C≡N occur between 2100–2300 cm−1. In contrast, those arising from stretching absorptions of the...
937
01:05Difference from Background: Limit of Detection
6.4K
The limit of detection (LOD) is the smallest amount of analyte that can be distinguished from the background noise. The LOD value corresponds to the concentration at which the analyte signal is three times larger than the standard deviation of the blank signal. Below this value, the analyte signal cannot be differentiated from the background noise. It is calculated by dividing the calibration slope by 3 times the standard deviation of the blank signals.
The LOD indicates the presence or absence...
The LOD indicates the presence or absence...
6.4K