Název:
Generativní oponentní neuronové sítě zachovávající identitu otisku prstu
Překlad názvu:
Fingerprint Identity Preserving Generative Adversarial Networks
Autoři:
Kačur, Ján ; Juránek, Roman (oponent) ; Špaňhel, Jakub (vedoucí práce) Typ dokumentu: Diplomové práce
Rok:
2023
Jazyk:
eng
Nakladatel: Vysoké učení technické v Brně. Fakulta informačních technologií
Abstrakt: [eng][cze]
Táto práca sa sústredí na generovanie latentných odtlačkov prstov za pomoci Generatívnych oponentných neurónových sietí. Hlavnou úlohou je generovanie viacerých verzií latentných odtlačkov z čistého odtlačku, s rovnakou identitou. Identitu a štýl odtlačku by malo byť možné osobitne meniť. Zvolený postup sa zakladá na modeli AugNet. Navrhnutý algoritmus generuje latentné odtlačky z čistých binarizovaných odtlačkov a náhodného vektora, reprezentujúceho skreslenie, resp. štýl. V generátore sú použité AdaIN bloky na spojenie štýlu so vstupným odtlačkom. Je testovaných viacero trénovacích algoritmov, z ktorých WGAN-GP dosahuje najlepšie výsledky. Jednotlivé modely sú porovnávané kombináciou metrík FID a Rank-1 accuracy pri porovnávaní generovaných obrázkov s originálnymi vstupnými binarizovanými odtlačkami. Najlepšie modely sú vybrané ako Pareto optimálne kombinácie týchto 2 metrík.
This thesis focuses on generating latent fingerprints using Generative adversarial networks. The main objective is to generate multiple latent fingerprints from the clean fingerprint, with the same identity. The identity and the style should also be controllable separately. The chosen approach is based on AugNet model. Designed algorithm generates latent fingerprints from clean binarized fingerprint, and a random vector encoding distortions, i.e style. In the generator, AdaIN blocks are used to incorporate distortions into the input fingerprint. Various training algorithms are tested, with WGAN-GP performing the best. Individual models are compared using a combination of FID, and Rank-1 accuracy on matching generated images to original input binarized fingerprints. Best performing models are selected as a Pareto optimal combinations of these 2 metrics.
Klíčová slova:
AugNet; conditional GAN; fingerprint generation; GAN; latent fingerprint; MOLF; NIST SD302; WGAN-GP; AugNet; conditional GAN; GAN; generovanie odtlačkov prsta; latentný odtlačok prsta; MOLF; NIST SD302; WGAN-GP
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/11012/213194