SetMargin损失在基于圆填充解释的深度击键生物特征识别中的应用
计算机视觉与模式识别
2021-09-03 v1
摘要
本工作提出了一种基于新颖距离度量学习(DML)方法的击键生物特征识别深度学习新方法。DML将输入数据映射到一个基于距离揭示“语义”结构的学习表示空间。本文中,我们提出一种新颖的DML方法,专门设计用于应对自由文本击键识别中学习与推断所用类别互不相交的挑战。所提出的SetMargin Loss (SM-L)以集合对而非传统的样本对为指导的学习过程,扩展了传统的DML方法。所提出的学习策略在保持击键动力学类内结构的同时,增大了类间距离。我们利用称为圆填充(Circle Packing)的数学问题分析了所得表示空间,其提供了具有理论最大类间距离的邻域结构。我们最终在一项具有挑战性的任务上实验证明了所提方法的有效性:在78,000名受试者的大规模集合上的击键生物特征识别。我们的方法在与现有最佳方法的比较中达到了最先进的准确率。
引用
@article{arxiv.2109.00938,
title = {SetMargin Loss applied to Deep Keystroke Biometrics with Circle Packing Interpretation},
author = {Aythami Morales and Julian Fierrez and Alejandro Acien and Ruben Tolosana and Ignacio Serna},
journal= {arXiv preprint arXiv:2109.00938},
year = {2021}
}
备注
Papper accepted in journal Pattern Recognition