面向高分辨率指纹图像跨传感器孔隙检测的无监督域适应
计算机视觉与模式识别
2021-12-21 v2
摘要
随着高分辨率指纹传感器的出现，下一代自动指纹识别系统（AFRS）的三级指纹特征尤其是孔隙受到了大量关注。继深度学习在各种计算机视觉任务中取得成功之后，研究者已开发出基于学习的方法来检测高分辨率指纹图像中的孔隙。一般而言，基于学习的方法比基于手工特征的方法性能更优。然而，现有基于学习的孔隙检测方法的域适应性从未被研究过。本文研究了这一方面并提出了一种用于跨传感器场景下的孔隙检测方法。为此，我们生成了一个具有真实孔隙坐标的内部 1000 dpi 指纹数据集（称为 IITI-HRFP-GT），并评估了现有基于学习的孔隙检测方法的性能。所提跨传感器孔隙检测方法的核心是一个名为 DeepDomainPore 的残差学习卷积神经网络（CNN），其训练用于孔隙检测。DeepDomainPore 中的域适应性通过在 CNN 与域分类器网络之间嵌入梯度反转层来实现。所提方法在涉及公开高分辨率指纹数据集的跨传感器场景中取得了最先进的性能，真正检测率为 88.12%，F 值为 83.82%。
引用
@article{arxiv.1908.10701,
title = {Unsupervised Domain Adaptation for Cross-sensor Pore Detection in High-resolution Fingerprint Images},
author = {Vijay Anand and Vivek Kanhangad},
journal= {arXiv preprint arXiv:1908.10701},
year = {2021}
}
备注
9 pages, 7 figures