Název:
Vylepšení metod detekce a klasifikace poškození otisku prstu
Překlad názvu:
Improvement of Methods for Detection and Classification of Damages in Fingerprint Images
Autoři:
Foltyn, Lukáš ; Heidari, Mona (oponent) ; Kanich, Ondřej (vedoucí práce) Typ dokumentu: Bakalářské práce
Rok:
2023
Jazyk:
eng
Nakladatel: Vysoké učení technické v Brně. Fakulta informačních technologií
Abstrakt: [eng][cze]
Cílem této práce je vylepšit stávající metody detekce a klasifikace poškození na snímcích otisků prstů s využitím předchozích prací studentů Vysokého učení technického v Brně. Práce je postavena na třech aplikacích: generátoru čárového poškození (jizvy, vlasy, rýhy), generátoru vlhkosti a aplikaci poskytující více různých modelů pro detekci a klasifikaci poškození otisků prstů. Pro vylepšení byly vybrány tři nejpřesnější modely - Faster-RCNN ResNet50, Faster-RCNN ResNet101 a CenterNet ResNet101. Práce popisuje vytvoření datové sady pomocí nepoškozených syntetických snímků otisků prstů s výše uvedenými uměle zavedenými poškozeními. Snaha o zlepšení přesnosti predikce modelů byla založena na přesnějším anotovaní ohraničujících boxů a úpravě hyperparametrů. Přestože práce přinesla určitá zlepšení, výsledky nejsou konzistentně úspěšné u všech modelů a typů poškození.
This study aims to improve existing methods for detecting and classifying damage in fingerprint images by leveraging previous works conducted by students at Brno University of Technology. The work is built upon three applications: line damage (scars, hairs, creases) generator, moisture generator, and application containing multiple different models for fingerprint damage detection and classification. The three best-performing models - Faster-RCNN ResNet50, Faster-RCNN ResNet101, and CenterNet ResNet101 - were selected for further improvement. The work describes the creation of a dataset using undamaged synthetic fingerprint images, with the aforementioned damages introduced artificially. Efforts to improve the prediction accuracy of the models were based on more accurate annotation of bounding boxes and adjusting the hyperparameters. While the work yielded some improvements, the results are not consistently successful across all models and damage types.
Klíčová slova:
classification; convolutional neural networks; damaged fingerprint images; detection; fingerprints; synthetic fingerprints; detekce; klasifikace; konvoluční neuronové sítě; otisky prstů; poškozené snímky otisků prstů; syntetické otisky prstů
Instituce: Vysoké učení technické v Brně
(web)
Informace o dostupnosti dokumentu:
Plný text je dostupný v Digitální knihovně VUT. Původní záznam: http://hdl.handle.net/11012/212759