Leitfaden für Fundamentmodelle zur Tattoo-Retrieval

Tattoos wurden effektiv als weiche biometrische Merkmale verwendet, um Strafverfolgungsbehörden bei der Identifizierung von Tätern und Opfern zu unterstützen, da sie diskriminierende Informationen enthalten und ein nützlicher Indikator sind, um Mitglieder einer kriminellen Bande oder Organisation zu lokalisieren. Aufgrund verschiedener Datenschutzprobleme bei der Beschaffung von Bildern, die Tattoos enthalten, existieren nur eine begrenzte Anzahl an Datenbanken. Um dieses Handicap zu überwinden, präsentiert diese Arbeit ein robustes neues Tattoo-Retrieval-Rahmenwerk, das globale Merkmale und geometrische Präzision aus Fundamentmodellen kombiniert, um eine genaue Tattoo-Darstellung zu erreichen. Die experimentelle Bewertung, die an einer anspruchsvollen Tattoo-Datenbank durchgeführt wurde, berichtete in einem Closed-Set-Protokoll von einer Rang-1-Genauigkeit von 90,91 %, was die State-of-the-Art TattTRN bei weitem übertrifft. Ähnliche Trends wurden auch im Open-Set-Szenario erreicht: Die Gleichheitsfehlerrate beträgt 11,56 %, verglichen mit 20,75 %, die von TattTRN erzielt wurden. Diese Ergebnisse zeigen, dass die Kombination verschiedener Fundamentmodelle ohne Trainingsbedarf die Genauigkeit erheblich verbessern kann und einen neuen Maßstab für zukünftige Tattoo-Erkennungssysteme setzt.