抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
Finger-vein検証は,バイオメトリックシステムにおいて対処すべき大きな問題である。多様なデータマイニングアルゴリズムの支援による指静脈認証のための多くの研究が意図されている。しかし,従来のアルゴリズムを用いた検証精度は最小であった。また,指静脈検証に含まれる時間複雑性は最大であった。上記の欠点を克服するために,Stepest Deep Bipolar Cascade Corel Learning(SDBCCML)技術を提案した。提案したSDBCCML技術は,入力としてデータセットの大きなサイズを考慮するとき,指静脈検証プロセスを効率的に実行するように設計した。提案したSDBCCML技術は,効果的な指静脈認証のための入力,隠れ,および出力ユニットという3つの主成分を含んでいる。提案したSDBCCML技術の入力ユニットは,入力として多数の指静脈画像をとり,次にそれを隠れユニットに送る。提案したSDBCCML技術は,入力指静脈画像を深く学習し,それによってGaborフィルタを用いて顕著な静脈特徴を見つける目的で,より多くの隠れユニットを採用した。続いて,隠れユニットで発見された静脈特徴を出力ユニットに前進させた。提案したSDBCCML法では,出力ユニットは,データセットにおける事前保存テンプレートと抽出した静脈特徴を比較するバイポーラ活性化関数を適用する。その後,出力ユニットは検証結果を与える。出力ユニット結果が+1のとき,入力指静脈画像は認可された人として分類される。出力ユニット結果が-1であるならば,入力指静脈画像は未認可の人として分類される。したがって,提案したSDBCCML技術の主な貢献は,より高い精度と最小時間で指静脈の認証性能を増加させる。提案したSDBCCML技法のシミュレーションを,精度,時間計算量,誤り率,F-Score,および多様な数の指静脈画像に対する空間複雑性のような計量を用いて実行した。Copyright The Author(s), under exclusive licence to Springer Science+Business Media, LLC, part of Springer Nature 2021 Translated from English into Japanese by JST.【JST・京大機械翻訳】