真实场景下远程生物识别：基于任务的数据综合评估框架
计算机视觉与模式识别
2024-09-04 v1 人工智能
机器学习
摘要
在科研与开发环境中用于评估生物识别系统的大量数据，导致目标性能偏差问题日益突出。生物识别算法常常针对可能不反映其所针对的真实应用场景的数据进行测试。从测试与评估的角度看，这种领域不匹配导致难以判断State-of-the-Art (SOTA) 研究的改进是否实际转化为改进的实际应用结果。通过进行数据和实验方法的周深准备，以反映特定用例和场景来解决这一问题。为此，本文评估了在各种应用领域（包括反恐、关键基础设施设施保护、军事防御和边境安全）中用于从距离和高度位置识别个体的研究解决方案。我们解决了包括图像质量问题以及仅依赖面部识别作为唯一生物识别模态的挑战。通过融合面部和身体特征，我们提出开发健壮的生物识别系统，以有效地从地面和陡峭俯仰角进行远程识别。初步结果显示在全身识别方面取得了有希望的进展。本文呈现这些初步发现并讨论了基于任务驱动指标发展远程生物识别系统的潜在未来方向。
引用
@article{arxiv.2409.01540,
title = {Long-Range Biometric Identification in Real World Scenarios: A Comprehensive Evaluation Framework Based on Missions},
author = {Deniz Aykac and Joel Brogan and Nell Barber and Ryan Shivers and Bob Zhang and Dallas Sacca and Ryan Tipton and Gavin Jager and Austin Garret and Matthew Love and Jim Goddard and David Cornett and David S. Bolme},
journal= {arXiv preprint arXiv:2409.01540},
year = {2024}
}