端到端深度学习眼动生物识别管道所学嵌入的时间持久性与相互相关性
计算机视觉与模式识别
2024-07-23 v2 密码学与安全
摘要
哪些特质使得特征对生物识别性能有用？在早于深度学习（DL）方法应用于生物识别分析之前的研究中，人们注意到时间持久性（以组内相关系数 ICC 为指标）与生物识别性能（等错误率 EER）之间存在强相关性。更普遍的说法是，良好的生物识别性能源于一组数量相对较大、相互弱相关且具有高 ICC 的特征。本研究旨在确定在应用于两个公开可用的眼动数据集的最先进基于 DL 的眼动生物识别系统（"Eye-Know-You-Too"）中是否也存在相同的关系。为此，我们操纵眼动信号质量的各个方面以产生生物识别性能的变化，并将该性能与所得嵌入的时间持久性和相互相关性联系起来。数据质量指标与 EER 通过线性或对数拟合相关联，并记录了所得模型的 。总体而言，我们发现时间持久性是预测基于 DL 的生物识别性能的重要指标，且 DL 学习到的嵌入通常表现为弱相互相关。
引用
@article{arxiv.2402.16399,
title = {Temporal Persistence and Intercorrelation of Embeddings Learned by an End-to-End Deep Learning Eye Movement-driven Biometrics Pipeline},
author = {Mehedi Hasan Raju and Lee Friedman and Dillon J Lohr and Oleg V Komogortsev},
journal= {arXiv preprint arXiv:2402.16399},
year = {2024}
}
备注
18 pages, 7 Figures