Comparative analysis of segmentation and generative models for fingerprint retrieval task

要約

指紋のような生体認証は、ユーザーの認証と検証のための最新のテクノロジーの不可欠な部分になっています。
それは、私たちのほとんどが認識しているよりも多くの方法で普及しています。
ただし、これらの指紋画像は、指が汚れていたり、濡れていたり、怪我をしていたり​​、センサーが故障していたり​​すると、品質が低下します。
したがって、ノイズを除去して元の指紋を抽出し、修復して画像を再構築することは、その認証にとって非常に重要です。
したがって、このホワイト ペーパーでは、ジェネレーティブ (GAN) モデルとセグメンテーション モデルを使用して、これらの問題に対処するディープ ラーニング アプローチを提案します。
pix2pixGAN と cycleGAN (生成モデル) および U-net (セグメンテーション モデル) の間で、質的および量的比較が行われました。
モデルをトレーニングするために、独自のデータセット NFD (Noisy Fingerprint Dataset) を細心の注意を払って作成し、さまざまな背景といくつかの画像の傷を使用して、より現実的で堅牢なものにしました。
私たちの研究では、u-net モデルは GAN ネットワークよりも優れたパフォーマンスを示しました

要約(オリジナル)

Biometric Authentication like Fingerprints has become an integral part of the modern technology for authentication and verification of users. It is pervasive in more ways than most of us are aware of. However, these fingerprint images deteriorate in quality if the fingers are dirty, wet, injured or when sensors malfunction. Therefore, extricating the original fingerprint by removing the noise and inpainting it to restructure the image is crucial for its authentication. Hence, this paper proposes a deep learning approach to address these issues using Generative (GAN) and Segmentation models. Qualitative and Quantitative comparison has been done between pix2pixGAN and cycleGAN (generative models) as well as U-net (segmentation model). To train the model, we created our own dataset NFD – Noisy Fingerprint Dataset meticulously with different backgrounds along with scratches in some images to make it more realistic and robust. In our research, the u-net model performed better than the GAN networks

arxiv情報

提供元, 利用サービス

arxiv.jp, Google