评估用于耳朵掩码分割的新型Mask-RCNN架构
计算机视觉与模式识别
2022-11-08 v1 人工智能
摘要
人耳通常具有普遍性、可采集性、区分性与永久性。基于耳朵的生物特征识别是一种小众且新兴的研究方向。任何基于耳朵的生物特征算法欲表现良好，都需准确完成耳朵检测与分割。尽管现有文献在边界框方面已有大量工作，但缺乏输出耳朵分割掩码的方法。本文在四个不同数据集上训练并比较三种较新模型与最先进的MaskRCNN（ResNet 101 +FPN）模型。所报告的Average Precision（AP）分数显示较新模型优于最先进模型，但无一模型在多个数据集上均表现最佳。
引用
@article{arxiv.2211.02799,
title = {Evaluating Novel Mask-RCNN Architectures for Ear Mask Segmentation},
author = {Saurav K. Aryal and Teanna Barrett and Gloria Washington},
journal= {arXiv preprint arXiv:2211.02799},
year = {2022}
}
备注
Accepted into ICCBS 2022