تعتمد أنظمة التعرف على بصمات الأصابع على عمليات حساسة تستند إلى استخراج المعلومات الدقيقة، والتي تعاني من خسائر كبيرة في الأداء تحت ظروف العالم الحقيقي مثل تنوع المستشعرات وانخفاض جودة الصورة. تقدم هذه الدراسة إطار عمل للتعرف على بصمات الأصابع خالٍ تمامًا من المعلومات الدقيقة ويعتمد على محولات الرؤية ذاتية الإشراف. تم إجراء تقييم منهجي لعدة متغيرات من نموذج DINOv2، واعتمد النظام المقترح في النهاية محول الرؤية DINOv2-Base كتهيئة رئيسية، حيث يقدم أفضل توازن في أداء التعميم تحت ظروف توافر محدود لبيانات البصمة. كما تم تحليل المتغيرات الأكبر لتقييم حدود القابلية للتوسع والقدرة. تم ضبط شبكة DINOv2 المدربة مسبقًا باستخدام التكيف الذاتي للبيانات في نطاق 64,801 صورة بصمة، مما ألغى جميع خطوات التحسين التقليدية، والتثنية الثنائية، واستخراج المعلومات الدقيقة. على عكس بروتوكولات الاستشعار الأحادي المستخدمة عادة في الأدبيات، تم تقييم النهج المقترح على نطاق واسع في بيئة اختبار متغايرة تشمل مجموعة واسعة من المستشعرات والجودات وطرق الاكتساب، بما في ذلك 1631 إصبعًا فريدًا من 12 مجموعة بيانات. أظهر معدل الخطأ المتساوي (EER) البالغ 5.56% تحت هذه الظروف الصعبة تفوقًا واضحًا عبر المستشعرات مقارنة بالأنظمة التقليدية مثل VeriFinger (26.90%) وSourceAFIS (41.95%) على نفس بيئة الاختبار. ويظهر مقارنة منهجية بين قدرات النماذج المختلفة أن نماذج ViT متوسطة الحجم توفر التعميم الأمثل في ظروف البيانات المحدودة. تشير تحليلات قابلية التفسير إلى أن خرائط الانتباه للنموذج المدرب بدون أي معلومات دقيقة تتداخل بشكل ملحوظ مع المناطق الهيكلية الكلاسيكية (IoU = 0.41 ± 0.07). يساهم مشاركة التنفيذ الكامل وبنية التقييم بشكل مفتوح في جعل الدراسة قابلة للتكرار وتوفر معيارًا موحدًا للأبحاث المستقبلية.
درس بيلجهان أرسلان (الإثنين) هذا السؤال.