چکیده
مدل‌های مبتنی بر یادگیری عمیق در دستیابی به نتایج پیشرفته در بسیاری از وظایف بینایی رایانه، تشخیص گفتار و پردازش زبان طبیعی در چند سال گذشته بسیار موفق عمل کرده اند. این مدل‌ها برای رسیدگی به مقیاس روزافزون مشکلات تشخیص بیومتریک، از احراز هویت تلفن همراه تا سیستم‌های امنیتی فرودگاه، مناسب به نظر می‌رسند. مدل‌های مبتنی بر یادگیری عمیق به طور فزاینده‌ای برای بهبود دقت سیستم‌های تشخیص بیومتریک مختلف در سال‌های اخیر مورد استفاده قرار گرفته‌اند. در این مقاله، یک بررسی جامع از بیش از ۱۲۰ اثر امیدوارکننده در زمینه تشخیص بیومتریک (شامل چهره، اثر انگشت، عنبیه، اثر کف دست، گوش، صدا، امضا، و تشخیص راه رفتن) ارائه شده است که مدل‌های یادگیری عمیق را به کار می‌گیرند، و نقاط قوت خود را نشان می‌دهند. پتانسیل ها در کاربردهای مختلف معرفی شده است. همچنین در مورد برخی از چالش‌های اصلی در هنگام استفاده از این مدل‌ها برای تشخیص بیومتریک و جهت‌های احتمالی آینده ک بحث شده است.
مقدمه
وقتی صحبت از شناسایی، احراز هویت و برنامه‌های امنیتی به میان می‌آید، ویژگی‌های بیومتریک جایگاه منحصر به فردی دارند. آنها نه می توانند گم شوند، بر خلاف ویژگی های مبتنی بر نشانه مانند کلیدها و کارت های شناسایی، و نه می توان آنها را فراموش کرد، برخلاف ویژگی های مبتنی بر دانش، مانند رمز عبور یا پاسخ به سؤالات امنیتی. علاوه بر این، تقلید یا تکثیر کامل آنها تقریبا غیرممکن است. اگرچه اخیراً تلاش‌هایی برای تولید و جعل ویژگی‌های بیومتریک مختلف صورت گرفته است، روش‌هایی نیز برای تشخیص ویژگی‌های بیومتریک جعلی از موارد معتبر ارائه شده است. تغییرات در طول زمان برای بسیاری از ویژگی های بیومتریک نیز بسیار کم است. به این دلایل، آنها در بسیاری از برنامه ها از جمله احراز هویت تلفن همراه، امنیت فرودگاه و علم پزشکی قانونی استفاده شده اند. ویژگی‌های بیومتریک می‌توانند فیزیولوژیکی باشند که ویژگی‌هایی هستند که هر فرد در اختیار دارد، مانند اثر انگشت ، اثر کف دست، ویژگی‌های صورت، گوش‌ها، عنبیه و شبکیه ها یا رفتاری که در تعامل فرد با محیط ظاهر می شوند، مانند امضا، راه رفتن و ضربه زدن به کلید. صدا/گفتار دارای هر دو ویژگی رفتاری، مانند لهجه، و ویژگی های فیزیولوژیکی، مانند زیر و بمی صدا است.
دانلود مقاله
دیدگاه بگذارید