XiaoMi-AI文件搜索系统
World File Search System特征识别
阅读障碍的光学特征识别
阅读障碍是一种学习障碍，会影响阅读，写作和咒语的能力。患有阅读障碍的人可能难以清晰，流利和理解。已经证明，使用光学特征识别（OCR）技术使阅读障碍的人更容易阅读。在这项工作中，我们描述了一种Android软件，该软件可帮助患有阅读障碍的人通过使用OCR技术更加流利地阅读。该程序使用相机收集文本图像，然后使用OCR算法将其转换为数字格式。然后，数字文本以文本到语音功能以及可自定义的字体样式和颜色显示在屏幕上。通过用户测试，确定了应用程序的有效性，结果表明它可以帮助阅读障碍者更快，准确地阅读。通过给他们一种促进更轻松，更深入阅读的工具，本研究中描述的Android软件有可能极大地提高阅读障碍患者的生活质量
生物特征识别性能测试的基本问题
1994 年，美国生物特征识别联盟领导层 1 向自动人机识别 (“生物特征识别”) 社区提出了一系列问题，这些问题围绕着性能测试中测量的可重复性和再现性问题。尽管我们在理解方面取得了重大进展，但这些问题尚未完全解决。本文在更广泛的科学实验和 NIST 数据评估和报告传统背景下讨论了我们当前对可重复性和再现性的方法。我们讨论了 Duhem-Quine 的测试整体论论题、Churchill Eisenhart 的“统计控制”概念、NIST 和 ISO 对实验室测量不确定性的方法、测试结果与系统操作员评估的“性能”之间当前的脱节（缺乏归纳相关性），以及我们当前生物特征识别测试程序中统计控制和不确定性评估的必要性。我们说明了测量不确定度在技术、场景和操作测试中是如何体现的，并主张超越 ISO/IEC“测量不确定度表示指南”中定义的“覆盖”间隔的计算，全面应用不确定度评估的概念。
生物特征识别登记：政策指导
本政策指南向移民官员和个案工作者解释了对受移民管制人员登记生物特征信息的总体政策要求，这些人员申请电子旅行授权 (ETA)、生物特征移民证件（包括电子签证和生物特征居留许可 (BRP)、签证、根据欧盟定居计划 (EUSS) 签发的生物特征居留卡 (BRC) 和英国公民身份。生物特征登记的目的是记录一个人的生物特征信息并寻求验证他们声称的身份。生物特征信息登记员的作用是尝试捕获高质量的生物特征样本。高质量的生物特征数据将在以后以及在适当的情况下在登记中进行更准确的比较。这将通过增加操作员对真实人员身份的信心来提高生物特征系统的安全性。在本指南中：
人工智能在物联网身份验证中的生理特征识别
有效的用户身份验证是确保物联网 (IoT) 系统中设备安全、数据隐私和个性化服务的关键。然而，传统的基于模式的身份验证方法（例如密码和智能卡）可能容易受到各种攻击（例如窃听和旁道攻击）。因此，人们尝试设计基于生物特征的身份验证解决方案，这些解决方案依赖于生理和行为特征。行为特征需要持续监控和特定的环境设置，这在实践中可能具有挑战性。然而，我们也可以利用人工智能 (AI) 从物联网设备处理中提取和分类生理特征，以促进身份验证。因此，我们回顾了 2015 年之后发表的关于人工智能在生理特征识别中的应用的文献。我们使用物联网的三层架构（即感知层、特征层和算法层）来指导对现有方法及其局限性的讨论。我们还确定了一些未来的研究机会，希望这些机会能够指导下一代解决方案的设计。
在基于 Raspberry Pi 的实时系统上使用最先进的神经架构研究基于 EEG 的生物特征识别
摘要：尽管人们对使用脑电图 (EEG) 信号作为主体身份识别的潜在生物特征识别的兴趣日益浓厚，并且在使用深度学习 (DL) 模型研究神经信号（例如心电图 (ECG)、脑电图 (EEG)、视网膜电图 (ERG) 和肌电图 (EMG) ）方面也取得了进展，但由于单个主体在不同会话中的 EEG 特征变化很大，因此在使用最先进的 DL 模型进行基于 EEG 的主体身份识别任务方面仍然缺乏探索。在本文中，我们探索使用最先进的 DL 模型（例如 ResNet、Inception 和 EEGNet）在 BED 数据集上实现基于 EEG 的生物特征识别，该数据集包含来自 21 个个体的 EEG 记录。我们获得了令人满意的结果，Resnet、Inception 和 EEGNet 的准确率分别为 63.21%、70.18% 和 86.74%，而之前的最佳成果报告的准确率为 83.51%。我们还通过开发一种便携式、低成本、实时的基于 Raspberry Pi 的系统展示了这些模型实时执行 EEG 生物识别任务的能力，该系统集成了从获取 EEG 信号到预测身份的所有必要主体识别步骤，而其他现有系统仅包含整个系统的部分内容。
通道和特征识别：综述以及基于机器学习的大规模特征提取模型，用于情绪和自闭症分类
自闭症谱系障碍 (ASD) 的特征是社交和认知技能受损、情绪障碍、焦虑和抑郁。传统的 ASD 诊断过程冗长，迫切需要早期进行有意义的干预。最近，不同的研究提出了通过使用深度神经网络 (DNN) 和机器学习算法进行情绪预测来进行 ASD 诊断和干预的潜力。然而，这些系统缺乏通过多个基准数据集进行广泛的大规模特征提取 (LSFE) 分析。需要进行 LSFE 分析来识别和利用最相关的特征和通道进行情绪识别和 ASD 预测。考虑到这些挑战，我们首次分析和评估了一个广泛的特征集，以使用 LSFE 和特征选择算法 (FSA) 选择最佳特征。使用不同的最佳情况 FSA 确定了一组最多八个最合适的通道。还确定了通道和特征的主体重要性。所提出的方法使用线性支持向量机 (LSVM) 分类器进行情绪预测时，最佳准确率、精确率和召回率分别为 95%、92% 和 90%。它还为 ASD 分类提供了 100% 的最佳准确率、精确率和召回率。这项工作利用了文献中迄今为止报告的最大数量的基准数据集 (5) 和主题 (99) 进行验证。本文提出和使用的 LSVM 分类算法的复杂度明显低于最近 ASD 和情绪预测系统中使用的 DNN、卷积神经网络 (CNN)、朴素贝叶斯和动态图 CNN。
基于面部，手指静脉，指纹和虹膜的生物特征识别的文章深度学习模型：调查
摘要：最近，个体生物特征引起了很多关注，并且是建立多种安全性和真实性系统的核心，例如监视，法医，欺诈性披露和基于身份的访问控制。广泛的生物识别性特征使选择合适的问题是至关重要的问题，这主要取决于应用程序的类型，样本的可用性，复杂性的程度和可能性的可接受价值。机器学习算法的概念对最后的方式产生了极大的兴趣，尤其是它被称为深度学习神经网络的进化版本。机器学习已在许多生物识别系统中使用和实施，因为其强大的属性和功能可以为系统提供所需的目标，具有出色的性能。这项工作旨在对过去七年来的190多种有前途的作品进行广泛的调查，描述了基于多种基于生物特征的深度学习系统，这些深度学习系统基于四个流行和大多数使用的特征，包括面部，指纹，Iris和Finger Finger静脉。本文还介绍了两种生物识别技术的简要回顾和深度学习神经网络。
全球人工智能 (AI) 专利统计分析简报
3.4 生物特征识别 3.4.1 指纹识别 3.4.2 人脸识别 3.4.3 虹膜识别 3.4.4 声纹识别 3.4.5 DNA识别 3.4.6 行为特征识别
I-485 表格，申请注册永久居留或调整身份的说明
生物特征识别服务预约。USCIS 可能会要求您随时参加面试或提供指纹、照片和/或签名，以验证您的身份、获取更多信息并进行背景和安全检查，包括检查联邦调查局 (FBI) 保存的犯罪历史记录，然后再对您的申请、请愿或请求做出决定。USCIS 收到您的申请并确保其完整后，如果您需要参加生物特征识别服务预约，我们将以书面形式通知您。如果需要预约，通知将为您提供当地或指定的 USCIS 申请支持中心 (ASC) 的位置以及预约的日期和时间。如果您是向移民法官提交 I-485 表格的申请人（主要或衍生），则您需要遵守在向 USCIS 提交 I-485 表格以及所有相关费用以及向 USCIS 提供生物特征识别和传记信息的诉讼过程中收到的指示。