Podej¿cie oparte na uczeniu g¿¿bokim w systemach rozpoznawania

Biometria staje si¿ jednym z najbardziej niezawodnych rozwi¿zä s¿u¿¿cych do identyfikacji osób w nowoczesnych systemach bezpiecze¿stwa. W przeciwie¿stwie do hase¿ wykorzystuje ona cechy fizjologiczne charakterystyczne dla kädej osoby, zapewniaj¿c wy¿szy poziom bezpiecze¿stwa.Niniejsza praca dotyczy dwóch obiecuj¿cych metod: wzorów ¿y¿ palców oraz odcisków d¿oni. Chociä s¿ one stabilne i trudne do sfäszowania, pozostaj¿ wräliwe na zmiany o¿wietlenia oraz jako¿¿ zarejestrowanych obrazów. Zaproponowano podej¿cie ¿¿cz¿ce uczenie g¿¿bokie z uczeniem maszynowym. Cechy s¿ wyodr¿bniane za pomoc¿ wst¿pnie wytrenowanych sieci konwolucyjnych (VGG16, VGG19, MobileNetV2), a nast¿pnie udoskonalane poprzez \textit{fine-tuning}. Nast¿pnie stosuje si¿ klasyfikatory SVM, KNN i Random Forest, porównuj¿c podej¿cia jednoinstancyjne i wieloinstancyjne. MobileNetV2 zapewnia najlepsz¿ wydajno¿¿ pod wzgl¿dem dok¿adno¿ci i efektywno¿ci. Podej¿cie wieloinstancyjne zwi¿ksza odporno¿¿ systemu, natomiast SVM wyró¿nia si¿ precyzj¿ rozpoznawania.