research centers


Search results: Found 2

Listing 1 - 2 of 2
Sort by

Article
Pose Invariant Palm Vein Identification System using Convolutional Neural Network
نظام تحديد الهوية من خلال اوردة اليد الثابتة الموضع باستخدام الشبكة العصبية التلافيفية

Authors: Nidaa Flaih Hassan نداء فليح حسن --- Husam Imad Abdulrazzaq حسام عماد عبد الرزاق
Journal: Baghdad Science Journal مجلة بغداد للعلوم ISSN: 20788665 24117986 Year: 2018 Volume: 15 Issue: 4 Pages: 503-510
Publisher: Baghdad University جامعة بغداد

Loading...
Loading...
Abstract

Palm vein recognition is a one of the most efficient biometric technologies, each individual can be identified through its veins unique characteristics, palm vein acquisition techniques is either contact based or contactless based, as the individual's hand contact or not the peg of the palm imaging device, the needs a contactless palm vein system in modern applications rise tow problems, the pose variations (rotation, scaling and translation transformations) since the imaging device cannot aligned correctly with the surface of the palm, and a delay of matching process especially for large systems, trying to solve these problems. This paper proposed a pose invariant identification system for contactless palm vein which include three main steps, at first data augmentation is done by making multiple copies of the input image then perform out-of-plane rotation on them around all the X,Y and Z axes. Then a new fast extract Region of Interest (ROI) algorithm is proposed for cropping palm region. Finally, features are extracted and classified by specific structure of Convolutional Neural Network (CNN). The system is tested on two public multispectral palm vein databases (PolyU and CASIA); furthermore, synthetic datasets are derived from these mentioned databases, to simulate the hand out-of-plane rotation in random angels within range from -20° to +20° degrees. To study several situations of pose invariant, twelve experiments are performed on all datasets, highest accuracy achieved is 99.73% ∓ 0.27 on PolyU datasets and 98 % ∓ 1 on CASIA datasets, with very fast identification process, about 0.01 second for identifying an individual, which proves system efficiency in contactless palm vein problems.

تمييز اوردة راحة اليد واحدة من اكفأ التقنيات البيولوجية حيث يمكن التعرف على هوية أي شخص من خلال الخصائص الفريدة للأوردة، ان تقنيات تصوير اوردة الكف اما تقنية ملامسة او تقنية الغير ملامسة حسب كون الكف تلامس سطح الجهاز عند التصوير من عدمه، ان حاجة التطبيقات الحديثة لنظم اوردة اليد الغير ملامسة قد ابرز مشكلتان، التغيير في الموضع للكف من ناحية (التدوير, الحجم, الموقع) حيث ان جهاز التقاط صورة الكف لا يمكنه دائما محاذاه سطح الكف الغير ملامس له, ومشكلة تأخر عملية المطابقة خاصة في الأنظمة الكبيرة. هذا البحث يقترح نظام تحديد الهوية من خلال اوردة راحة اليد الثابتة الموضع والذي يتضمن ثلاث خطوات رئيسية , في البداية يتم تطبيق طريقة زيادة البيانات من خلال تدوير نسخ للصورة المدخلة حول جميع المحاور, ثم اكتشاف المنطقة المهمة في الكف(Region of Interest) من خلال خوارزمية جديدة مقترحة , أخيرا استخلاص الخصائص والتصنيف يتم بواسطة استخدام هيكلية خاصة للشبكة العصبية التلافيفية(Convolutional Neural Network), تم اختبار النظام على قاعدتي بيانات لأوردة اليد (PolyU و CASIA) وعلى قواعد بيانات اصطناعية اخرى تم انشائها من قاعدتي البيانات اّنفة الذكر لمحاكاة تدوير اليد حول جميع المحاور بزوايا عشوائية ضمن نطاق -20° الى +20° درجة , لدراسة عدة حالات من تغيير موقع الكف , تم تطبيق 12 اختبارا على قواعد بيانات انفة الذكر, أظهرت النتائج ان اعلى دقة للنظام كانت 0.27 ∓ 99.73% على قاعدة بيانات PolyU و1 ∓ 98% على قاعدة بيانات CASIA مع سرعة فائقة في عملية تحديد الهوية, حوالي 0.01 ثانية لعملية التعرف على شخص, وهذا يثبت كفاءة النظام في مشاكل اوردة راحة اليد الغير ملامسة.


Article
Image classification with Deep Convolutional Neural Network Using Tensorflow and Transfer of Learning
تصنيف الصور مع الشبكة العصبية التلافيفية العميقة باستخدام تينسورفلوونقل التعلم

Authors: Aseel Sami Ali أسيل سامي علي --- Matheel Emaduldin Abdulmunem مثيل عمادالدين عبدالمنعم
Journal: Journal of College of Education for Women مجلة كلية التربية للبنات ISSN: Print ISSN 16808738 /E ISSN: 2663547X Year: 2020 Volume: 31 Issue: 2 Pages: 156-171
Publisher: Baghdad University جامعة بغداد

Loading...
Loading...
Abstract

The deep learning algorithm has recently achieved a lot of success, especially in the field of computer vision. This research aims to describe the classification method applied to the dataset of multiple types of images (Synthetic Aperture Radar (SAR) images and non-SAR images). In such a classification, transfer learning was used followed by fine-tuning methods. Besides, pre-trained architectures were used on the known image database ImageNet. The model VGG16 was indeed used as a feature extractor and a new classifier was trained based on extracted features.The input data mainly focused on the dataset consist of five classes including the SAR images class (houses) and the non-SAR images classes (Cats, Dogs, Horses, and Humans). The Convolutional Neural Network (CNN) has been chosen as a better option for the training process because it produces a high accuracy. The final accuracy has reached 91.18% in five different classes. The results are discussed in terms of the probability of accuracy for each class in the image classification in percentage. Cats class got 99.6 %, while houses class got 100 %.Other types of classes were with an average score of 90 % and above.

حققت خوارزمية التعلم العميق مؤخرًا الكثير من النجاح خاصة في مجال رؤية الكمبيوتر.يهدف البحث الحالي إلى وصف طريقة التصنيف المطبقة على مجموعة البيانات الخاصة بأنواع متعددة من الصور (صور الرادار ذي الفجوة المركبةSAR والصور ليست SAR) ، أستخدم نقل التعلم متبوعًا بأساليب الضبط الدقيق في مخطط التصنيف هذا . تم استخدام بنيات مدربة مسبقًا على قاعدة بيانات الصور المعروفهImageNet، تم استخدام نموذج VGG 16 بالفعل كمستخرج ميزات وتم تدريب مصنف جديد بناءً على الميزات المستخرجة .تركز بيانات الإدخال بشكل أساسي على مجموعة البيانات التي تتكون من خمس فئات فئة صور الرادارSAR (المنازل) وفئات الصور ليستSAR (القطط والكلاب والخيول والبشر). تم اختيار الشبكة العصبية التلافيفية (CNN) كخيار أفضل لـعملية التدريب لانها نتجت عن دقة عالية. لقد وصلنا إلى الدقة النهائية بنسبة 91.18٪ في خمس فئات مختلفة. تتم مناقشة النتائج من حيث احتمالية الدقة لكل فئة في تصنيف الصورة بالنسبة المئوية. تحصل فئة القطط على 99.6٪ ، بينما تحصل فئة المنازل على 100٪ وتحصل انواع آخرى من الفئات بمتوسط درجات 90٪ وما فوق.

Keywords

Convolutional Neural Network --- CNN --- Synthetic Aperture Radar --- SAR --- TensorFlow --- Transfer learning --- Visual Geometry Group --- VGG16 --- حققت خوارزمية التعلم العميق مؤخرًا الكثير من النجاح خاصة في مجال رؤية الكمبيوتر.يهدف البحث الحالي إلى وصف طريقة التصنيف المطبقة على مجموعة البيانات الخاصة بأنواع متعددة من الصور صور الرادار ذي الفجوة المركبةSAR والصور ليست SAR --- ، أستخدم نقل التعلم متبوعًا بأساليب الضبط الدقيق في مخطط التصنيف هذا . تم استخدام بنيات مدربة مسبقًا على قاعدة بيانات الصور المعروفهImageNet، تم استخدام نموذج VGG 16 بالفعل كمستخرج ميزات وتم تدريب مصنف جديد بناءً على الميزات المستخرجة . تركز بيانات الإدخال بشكل أساسي على مجموعة البيانات التي تتكون من خمس فئات فئة صور الرادارSAR المنازل --- وفئات الصور ليستSAR القطط والكلاب والخيول والبشر --- . تم اختيار الشبكة العصبية التلافيفية CNN --- كخيار أفضل لـعملية التدريب لانها نتجت عن دقة عالية. لقد وصلنا إلى الدقة النهائية بنسبة 91.18٪ في خمس فئات مختلفة. تتم مناقشة النتائج من حيث احتمالية الدقة لكل فئة في تصنيف الصورة بالنسبة المئوية. تحصل فئة القطط على 99.6٪ ، بينما تحصل فئة المنازل على 100٪ وتحصل انواع آخرى من الفئات بمتوسط درجات 90٪ وما فوق

Listing 1 - 2 of 2
Sort by
Narrow your search

Resource type

article (2)


Language

Arabic (1)

English (1)


Year
From To Submit

2020 (1)

2018 (1)