文献

J-GLOBAL ID：202202262577514902   整理番号：22A0479015

DS-CNN:指静脈認識のための深さ方向分離可能畳込みニューラルネットワークに基づく予訓練Xceptionモデル【JST・京大機械翻訳】

DS-CNN: A pre-trained Xception model based on depth-wise separable convolutional neural network for finger vein recognition

著者 (8件)： Shaheed Kashif (School of Computer Science and Engineering, South China University of Technology, Guangzhou, China) ,  Mao Aihua (School of Computer Science and Engineering, South China University of Technology, Guangzhou, China) ,  Qureshi Imran (Key Laboratory of Space Photoelectric Detection and Perception, Ministry of Industry and Information Technology, College of Astronautic, Nanjing University of Aeronautics and Astronautics, Nanjing, Jiangsu 211106, China) ,  Kumar Munish (Department of Computational Sciences, Maharaja Ranjit Singh Punjab Technical University, Bathinda, India) ,  Hussain Sumaira (TIME Lab, School of Software Engineering, Shandong University, Jinan, China) ,  Ullah Inam (TIME Lab, School of Software Engineering, Shandong University, Jinan, China) ,  Zhang Xingming (School of Computer Science and Engineering, South China University of Technology, Guangzhou, China) ,  Qureshi Imran (Department of Computer Software Engineering, Military College of Signals, National University of Sciences and Technology (MCS-NUST), Islamabad 44000, Pakistan)
資料名： Expert Systems with Applications  (Expert Systems with Applications)
巻： 191  ページ： Null  発行年： 2022年 
JST資料番号： W0178A  ISSN： 0957-4174  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： 指静脈認識は,その高い安全性のために,他のすべてのバイオメトリック特性の間で特別な注意を払った。適切な認識と分類精度は個人認証のセキュリティを確実にする。多くの畳込みニューラルネットワーク(CNN)は,バイオメトリック指静脈認識において有望な性能で提案されている。しかしながら,それらのアーキテクチャには,CNNの問題点を考慮して,高複雑性,ロバスト特徴の抽出,劣化性能などのいくつかの問題があり,著者らは,ロバスト特徴を抽出するために,より効果的,より少ない複雑なニューラルネットワークであると考えられている,残差接続を有する深さ方向分離可能CNNに基づく,事前訓練CNNネットワークを提示した。本研究は3段階プロセスとして見ることができる。最初に,データ前処理の概念を適用して,原入力サンプルを標準フォーマットに変換した。その後,深層学習モデルを訓練するために必要な訓練サンプルの欠如を克服するために,異なる幾何学的技術を用いたデータ増強を組み込んだ。最後に,特徴抽出と分類タスクを事前訓練X知覚アーキテクチャを通して実行し,人物の同一性を検証した。SDUMLAとTHU-FVFDT2データセットを用いて,既存の芸術で提案した多層CNNモデル性能を試験し,評価した。SDUMLAデータベースのための著者らの提案方法は98%のF1スコアで99%の精度を達成した。THU-FVFDT2では,提案方法は88%のF1スコアで90%の精度を得た。実験結果は,提案した作業が既存の方法と比較して優れた性能を得たと結論づける。Copyright 2022 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： データベース ,  *ネットワーク ,  *ニューラルネットワーク ,  特徴抽出 ,  残差 ,  多層 ,  計算機アーキテクチャ ,  ロバスト性 ,  セキュリティ
準シソーラス用語： 個人認証 ,  複雑性 ,  ホップ数 ,  データ前処理 ,  深層学習 ,  *畳込みニューラルネットワーク , 【Automatic Indexing@JST】

著者キーワード (7件)： バイオメトリック ,  畳込みニューラルネットワーク ,  分類 ,  深層学習 ,  指静脈認識 ,  転移学習 ,  Xception

分類 (2件)： パターン認識  (JE07000S) ,  人工知能  (JE08000Z)

タイトルに関連する用語 (7件)： Ds ,  CNN ,  指静脈 ,  深さ方向 ,  畳込みニューラルネットワーク ,  訓練 ,  モデル