290713記事公開中

トレンドワード
  2. AIベンチマークリサーチ
  3. 論文研究
  4. 虹彩認証における深層畳み込み特徴の実験的検討（An Experimental Study of Deep Convolutional Features For Iris Recognition）
2 分で読了
0 views

虹彩認証における深層畳み込み特徴の実験的検討

（An Experimental Study of Deep Convolutional Features For Iris Recognition）

さらに深い洞察を得る

AI戦略の専門知識を身につけ、競争優位性を構築しませんか？

AIBR プレミアム
年間たったの9,800円で
“AIに詳しい人”として
一目置かれる存在に！

プレミア会員になって、山ほどあるAI論文の中から効率よく大事な情報を手に入れ、まわりと圧倒的な差をつけませんか？

詳細を見る
【実践型】
生成AI活用キャンプ
【文部科学省認可】
満足度100%の生成AI講座
3ヶ月後には、
あなたも生成AIマスター！

「学ぶ」だけではなく「使える」ように。
経営者からも圧倒的な人気を誇るBBT大学の講座では、3ヶ月間質問し放題！誰1人置いていかずに寄り添います。

詳細を見る

田中専務

拓海先生、最近部下から「既存のカメラで虹彩認証にAIを使えばいい」と言われて困っているのですが、本当に既存の画像認識技術をそのまま使って成果が出るものなのでしょうか。

AIメンター拓海

素晴らしい着眼点ですね！一般画像認識で高性能を示すCNN（Convolutional Neural Network、畳み込みニューラルネットワーク）が虹彩認証に使えるかを実験的に確かめた研究がありますよ。結論を先に言うと、大きな手直しなしでも十分に使える可能性が示されていますよ。

田中専務

それは投資対効果が良さそうに聞こえますが、具体的にはどんな仕組みで動くのですか。うちの会社で導入する場合に必要な準備を知りたいのです。

AIメンター拓海

大丈夫、一緒に整理しましょう。要点を三つにまとめると、1) 既存の物体認識で学んだ特徴をそのまま使えるか、2) 前処理（虹彩の切り出しなど）をどこまで省けるか、3) 軽い学習（分類器の学習）で実用水準に届くか、です。それぞれ順を追って説明しますよ。

田中専務

画像認識の特徴を流用する、というのは要するに学習済みの脳みそ（モデル）を転用するということですか。それともゼロから作り直す必要があるのですか。

AIメンター拓海

素晴らしい着眼点ですね！ここではVGG-Netという大規模画像データで学習したネットワークを「そのまま特徴抽出器」として使います。要するに既に学習済みの

監修者

阪上雅昭（SAKAGAMI Masa-aki）
京都大学　人間・環境学研究科　名誉教授

論文研究シリーズ
前の記事
サンプル空間における半教師ありネットワーク手法 P‑Net
（P‑Net: A Semi‑Supervised Network‑Based Method in the Sample Space）
次の記事
マルチモーダルニューラル機械翻訳のための二重アテンションデコーダ
（Doubly-Attentive Decoder for Multi-modal Neural Machine Translation）
関連記事
長文音声合成における高い頑健性とリズム制御を両立する注意機構
（Rhythm-controllable Attention with High Robustness for Long Sentence Speech Synthesis）
スペクトル重心ネットワーク推定のための最適Soules基底
（The Best Soules Basis for the Estimation of a Spectral Barycentre Network）
CONVolutional attENTION
（ConvEntion）を用いた天文画像時系列分類（Astronomical image time series classification using CONVolutional attENTION）
超伝導直線加速器におけるゼロショットを用いたトレンドベースSACビーム制御法
（Trend-Based SAC Beam Control Method with Zero-Shot in Superconducting Linear Accelerator）
G-Adapter: 構造認識型パラメータ効率的転移学習
（G-Adapter: Towards Structure-Aware Parameter-Efficient Transfer Learning for Graph Transformer Networks）
ワードオブマウスと人口統計を用いたマルチモーダル深層学習による顧客評価予測
（Multimodal Deep Learning of Word-of-Mouth Text and Demographics to Predict Customer Rating）
この記事をシェア

有益な情報を同僚や仲間と共有しませんか？

AI技術革新 - 人気記事
ブラックホールと量子機械学習の対応
（Black hole/quantum machine learning correspondence）
  • 論文研究
DiReDi：AIoTアプリケーションのための蒸留と逆蒸留
（DiReDi: Distillation and Reverse Distillation for AIoT Applications）
  • 論文研究
生成AI検索における敏感なユーザークエリの分類と分析
（Taxonomy and Analysis of Sensitive User Queries in Generative AI Search System）
  • 論文研究

PCも苦手だった私が

“AIに詳しい人“
として一目置かれる存在に！
  • AIBRプレミアム
  • 実践型生成AI活用キャンプ
あなたにオススメのカテゴリ
論文研究
最新記事
協調型マルチエージェント強化学習による反ジャミングアルゴリズム
（A Collaborative Multi-agent Reinforcement Learning Anti-jamming Algorithm in Wireless Networks）
  • 論文研究
PAUサーベイにおけるフォトメトリック赤方偏移の早期検証
（The PAU Survey: Early demonstration of photometric redshift performance in the COSMOS field）
  • 論文研究
初期引用データから論文の将来の影響力を予測する
（Predicting citation counts based on deep neural network learning techniques）
  • 論文研究
タンパク質のB因子
（柔軟性）を盲検的に予測する手法（Blind prediction of protein B-factor and flexibility）
  • 論文研究
時系列データ分類における深層学習の総覧
（Deep learning for time series classification: a review）
  • 論文研究
心拍変動に基づく睡眠段階判定のためのLSTMと知識転移
（LSTM knowledge transfer for HRV-based sleep staging）
  • 論文研究
さらに深い洞察を得る

AI戦略の専門知識を身につけ、競争優位性を構築しませんか？

AIBR プレミアム
年間たったの9,800円で
“AIに詳しい人”として一目置かれる存在に！

プレミア会員になって、山ほどあるAI論文の中から効率よく大事な情報を手に入れ、まわりと圧倒的な差をつけませんか？

詳細を見る
【実践型】
生成AI活用キャンプ
【文部科学省認可】
満足度100%の生成AI講座
3ヶ月後には、あなたも生成AIマスター！

「学ぶ」だけではなく「使える」ように。
経営者からも圧倒的な人気を誇るBBT大学の講座では、3ヶ月間質問し放題！誰1人置いていかずに寄り添います。

詳細を見る

AI Benchmark Researchをもっと見る

今すぐ購読し、続きを読んで、すべてのアーカイブにアクセスしましょう。

続きを読む