Síntese de Impressões Digitais Usando Rede Neural Generativa Adversarial: Análise de Estrutura de Minúcias
Resumo
O uso crescente das impressões digitais impulsiona estudos para aprimorar a tecnologia, exigindo imagens de impressão digital de melhor qualidade para garantir bons resultados. Devido à sensibilidade da LGPD no Brasil desde 2018, compartilhar dados de impressões digitais é relutante. Nesse contexto, este estudo cria impressões digitais sintéticas realistas com a rede neural StyleGAN-ADA. Os resultados são avaliados usando a métrica Earth movers distance (EMD) para comparar distribuições 2D e o método Minutiae Histograms (MHs) para mapear distribuições de minúcias. Essa abordagem obtém êxito com a base de dados FVC, gerando imagens que refletem distribuições realistas de minúcias conforme as métricas empregadas.
Palavras-chave:
impressões digitais, rede neural, estrutura de minúcias
Referências
Anil K. Jain, L. H. and Bolle, R. (1997). On-line fingerprint verification, IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE 19(4): 302–314.
Carsten Gottschlich, S. H. (2013). Separating the real from the synthetic: minutiae histograms as fingerprints of fingerprints, IET (Institution of Engineering and Technology) Biometrics 3(4): 291–301.
Goodfellow, I., Pouget-Abadie, J., Mirza, M., Xu, B., Warde-Farley, D., Ozair, S., Courville, A. and Bengio, Y. (2014). Generative adversarial nets, in Z. Ghahramani, M. Welling, C. Cortes, N. D. Lawrence and K. Q. Weinberger (eds), Advances in Neural Information Processing Systems 27, pp. 2672–2680.
Karras, T., Aittala, M., Hellsten, J., Laine, S., Lehtinen, J. and Aila, T. (2020). Training generative adversarial networks with limited data, 2: 37.
Planalto (2018). Lei nº 13.709, de 14 de agosto de 2018: Lei geral de proteção de dados pessoais (lgpd). URL: [link]
Zhang, H., Zhang, Z., Odena, A. and Lee, H. (2020). Consistency regularization for generative adversarial networks, International Conference on Learning Representations – to appear. URL: [link]
Carsten Gottschlich, S. H. (2013). Separating the real from the synthetic: minutiae histograms as fingerprints of fingerprints, IET (Institution of Engineering and Technology) Biometrics 3(4): 291–301.
Goodfellow, I., Pouget-Abadie, J., Mirza, M., Xu, B., Warde-Farley, D., Ozair, S., Courville, A. and Bengio, Y. (2014). Generative adversarial nets, in Z. Ghahramani, M. Welling, C. Cortes, N. D. Lawrence and K. Q. Weinberger (eds), Advances in Neural Information Processing Systems 27, pp. 2672–2680.
Karras, T., Aittala, M., Hellsten, J., Laine, S., Lehtinen, J. and Aila, T. (2020). Training generative adversarial networks with limited data, 2: 37.
Planalto (2018). Lei nº 13.709, de 14 de agosto de 2018: Lei geral de proteção de dados pessoais (lgpd). URL: [link]
Zhang, H., Zhang, Z., Odena, A. and Lee, H. (2020). Consistency regularization for generative adversarial networks, International Conference on Learning Representations – to appear. URL: [link]
Publicado
28/11/2023
Como Citar
CASSIANO, Paulo; TEIXEIRA, Raoni Florentino da Silva; GUARIENTI, Gracyeli Santos Souza; MARINS, Joyce; SILVA, Luiz Vinicius Souza; COELHO SILVA, Talles Emanuel.
Síntese de Impressões Digitais Usando Rede Neural Generativa Adversarial: Análise de Estrutura de Minúcias. In: ESCOLA REGIONAL DE INFORMÁTICA DE MATO GROSSO (ERI-MT), 12. , 2023, Cuiabá/MT.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2023
.
p. 1-10.
ISSN 2447-5386.
DOI: https://doi.org/10.5753/eri-mt.2023.236026.
