Uma abordagem de segmentação de íris para fins biométricos usando aprendizagem profunda

Detalhes bibliográficos
Autor(a) principal: Bezerra, Cides Semprebom
Data de Publicação: 2018
Tipo de documento: Dissertação
Idioma: por
Título da fonte: Repositório Institucional da UFPR
Texto Completo: https://hdl.handle.net/1884/58927
Resumo: Orientador: David Menotti Gomes
id UFPR_5b619632b0cb352fce7b15d3a16b0711
oai_identifier_str oai:acervodigital.ufpr.br:1884/58927
network_acronym_str UFPR
network_name_str Repositório Institucional da UFPR
repository_id_str 308
spelling Bezerra, Cides SemprebomUniversidade Federal do Paraná. Setor de Ciências Exatas. Programa de Pós-Graduação em InformáticaMenotti, David, 1978-2020-06-18T17:47:54Z2020-06-18T17:47:54Z2018https://hdl.handle.net/1884/58927Orientador: David Menotti GomesDissertação (mestrado) - Universidade Federal do Paraná, Setor de Ciências Exatas, Programa de Pós-Graduação em Informática. Defesa : Curitiba, 26/09/2018Inclui referências: p. 71-79Área de concentração: Ciência da ComputaçãoResumo: As características presentes na íris tornam-na uma das mais representativas modalidades biométricas com alto grau de unicidade. Entretanto, diversos fatores presentes na íris podem interferir no desempenho do sistema biométrico, sendo necessário removê-los de forma mais precisa possível, deixando apenas a região da íris. Convolutional Neural Networks (CNNs) empregadas em diversos problemas de segmentação, tais como segmentação de próstata, de esclera e de estradas por exemplo, alcançaram resultados estado-da-arte. Portanto, inspirado nesses bons resultados, o presente trabalho apresenta 5 abordagens que envolvem aprendizagem profunda para segmentar imagens da íris de 7 diferentes datasets de ambos os domínios Near Infra-red (NIR) e Visible (VIS) e cenários controlados e não controlados. Duas dessas abordagens (VggFCN-fc7 e VggFCN-pool5) são inspiradas no modelo Visual Geometry Group (VGG)16 e as outras três (ResNet-50, ResNet-101 e ResNet-152) baseiam-se na Residual Network (ResNet), conforme uma arquitetura codificador-decodificador. Todas as 5 abordagens são combinadas com a arquitetura Fully Convolutional Network (FCN) no decodificador, e utilizam a técnica de transferência de aprendizagem, com pesos pré-treinados a partir do dataset ImageNet Large-Scale Visual Recognition Challenge (ILSVRC). As abordagens propostas apresentaram os melhores resultados em comparação com 4 baselines utilizados. VggFCN-fc7 e VggFCN-pool5 obtiveram respectivamente 01,05% e 00,96% de erro E de segmentação no dataset NICE.I. Nas ResNet-50, ResNet-101 e ResNet-152 o E foi respectivamente de 01,13%, 00,98% e 00,97% também no dataset NICE.I. Além disso, após uma análise estatística, por meio dos testes de Friedman e Nemenyi, constatou-se que a abordagem ResNet-101 foi melhor nos datasets NIR, enquanto a VggFCN-pool5 foi melhor nos VIS. Ao mesclar os datasets NIR e VIS três abordagens (VggFCN-fc7, ResNet-50 e VggFCN-pool5) ficaram empatadas. Palavras-chave: Aprendizagem Profunda. Segmentação de íris. Modalidade biométrica. Transferência de aprendizagem.Abstract: The characteristics present in the iris make it one of the most representative biometric modalities with a high degree of uniqueness. However, several factors present in the iris can interfere with the performance of the biometric system, and it is necessary to remove them as accurately as possible, leaving only the region of the iris. Convolutional Neural Networks (CNNs) employed in various segmentation problems, such as prostate, sclera and road segmentation, for example, have achieved state-of-the-art results. So, inspired by these good results, the present paper presents 5 approaches that involve deep learning to segment different 7 iris images datasets of both Near Infra-red (NIR) and Visible (VIS) domains and controlled and uncontrolled scenarios. Two of these approaches (VggFCN-fc7 and VggFCN-pool5) are inspired by the Visual Geometry Group (VGG)16 model and the other three (ResNet-50, ResNet-101 and ResNet-152) are based on Residual Network (ResNet), according to an encoder-decoder architecture. All 5 approaches are combined with the Fully Convolutional Network (FCN) architecture in the decoder, and use the transfer learning technique, with pre-trained weights from dataset ImageNet Large-Scale Visual Recognition Challenge (ILSVRC). The proposed approaches presented the best results compared to 4 baselines used. VggFCN-fc7 and VggFCN-pool5 obtained respectively 01.05% and 00.96% of segmentation error E in NICE.I dataset. In ResNet-50, ResNet-101 and ResNet-152 the E were respectively 01.13%, 00.98% and 00.97% also in NICE.I. In addition, after a statistical analysis, through the tests of Friedman and Nemenyi, it was found that the ResNet-101 approach was better in datasets NIR, while VggFCN-pool5 was better in VIS . By merging datasets NIR and VIS three approaches (VggFCN-fc7, ResNet-50, and VggFCN-pool5) are tied. Keywords: Deep Learning. Iris segmentation. Biometric modality. Transfer learning.81 p. : il. (algumas color.).application/pdfTransferencia de aprendizagemCiência da computaçãoBiometriaReconhecimento de padrõesUma abordagem de segmentação de íris para fins biométricos usando aprendizagem profundainfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisporreponame:Repositório Institucional da UFPRinstname:Universidade Federal do Paraná (UFPR)instacron:UFPRinfo:eu-repo/semantics/openAccessORIGINALR - D - CIDES SEMPREBOM BEZERRA.pdfapplication/pdf2965622https://acervodigital.ufpr.br/bitstream/1884/58927/1/R%20-%20D%20-%20CIDES%20SEMPREBOM%20BEZERRA.pdfc6497def676f6d5efdd479748bcfb732MD51open access1884/589272020-06-18 14:47:54.793open accessoai:acervodigital.ufpr.br:1884/58927Repositório de PublicaçõesPUBhttp://acervodigital.ufpr.br/oai/requestopendoar:3082020-06-18T17:47:54Repositório Institucional da UFPR - Universidade Federal do Paraná (UFPR)false
dc.title.pt_BR.fl_str_mv Uma abordagem de segmentação de íris para fins biométricos usando aprendizagem profunda
title Uma abordagem de segmentação de íris para fins biométricos usando aprendizagem profunda
spellingShingle Uma abordagem de segmentação de íris para fins biométricos usando aprendizagem profunda
Bezerra, Cides Semprebom
Transferencia de aprendizagem
Ciência da computação
Biometria
Reconhecimento de padrões
title_short Uma abordagem de segmentação de íris para fins biométricos usando aprendizagem profunda
title_full Uma abordagem de segmentação de íris para fins biométricos usando aprendizagem profunda
title_fullStr Uma abordagem de segmentação de íris para fins biométricos usando aprendizagem profunda
title_full_unstemmed Uma abordagem de segmentação de íris para fins biométricos usando aprendizagem profunda
title_sort Uma abordagem de segmentação de íris para fins biométricos usando aprendizagem profunda
author Bezerra, Cides Semprebom
author_facet Bezerra, Cides Semprebom
author_role author
dc.contributor.other.pt_BR.fl_str_mv Universidade Federal do Paraná. Setor de Ciências Exatas. Programa de Pós-Graduação em Informática
dc.contributor.author.fl_str_mv Bezerra, Cides Semprebom
dc.contributor.advisor1.fl_str_mv Menotti, David, 1978-
contributor_str_mv Menotti, David, 1978-
dc.subject.por.fl_str_mv Transferencia de aprendizagem
Ciência da computação
Biometria
Reconhecimento de padrões
topic Transferencia de aprendizagem
Ciência da computação
Biometria
Reconhecimento de padrões
description Orientador: David Menotti Gomes
publishDate 2018
dc.date.issued.fl_str_mv 2018
dc.date.accessioned.fl_str_mv 2020-06-18T17:47:54Z
dc.date.available.fl_str_mv 2020-06-18T17:47:54Z
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://hdl.handle.net/1884/58927
url https://hdl.handle.net/1884/58927
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv 81 p. : il. (algumas color.).
application/pdf
dc.source.none.fl_str_mv reponame:Repositório Institucional da UFPR
instname:Universidade Federal do Paraná (UFPR)
instacron:UFPR
instname_str Universidade Federal do Paraná (UFPR)
instacron_str UFPR
institution UFPR
reponame_str Repositório Institucional da UFPR
collection Repositório Institucional da UFPR
bitstream.url.fl_str_mv https://acervodigital.ufpr.br/bitstream/1884/58927/1/R%20-%20D%20-%20CIDES%20SEMPREBOM%20BEZERRA.pdf
bitstream.checksum.fl_str_mv c6497def676f6d5efdd479748bcfb732
bitstream.checksumAlgorithm.fl_str_mv MD5
repository.name.fl_str_mv Repositório Institucional da UFPR - Universidade Federal do Paraná (UFPR)
repository.mail.fl_str_mv
_version_ 1801860666096615424

Registros relacionados