operational samples Ui (for i 2½1,

operational samples Ui (for i 2½1, 9) sequentially available over time. Then the following protocol is adopted:
1. Part A: training 1. The system is trained with two enrolled samples from the first batch (session) i.e., batch U1 for each user. In other words, T D U1 and U1 is re-defined as U1 ¼ U1 T (i.e., the samples chosen as templates are excluded from the batch U1) . Two templates are used in this experiment in order to represent ‘‘moderate’’ initial conditions and allow the base-line system to be more ‘‘flexible’’ to the intra-class variations. 2. Updating threshold is set by estimating genuine and impostor score distributions from template set T of all the users. 2. Part B: updating 1. At each updating cycle i, batch Ui for i 2½1, 8 is used for updating the template set of the respective user. 2. Five random impostor samples are introduced into each batch Ui to evaluate the robustness of the update techniques against the misclassification errors. 3. Templates are updated by adding genuinely classi-fied input samples into the template set for each batch Ui per user. 3. Part C: performance evaluation 1. After each updating cycle i, batch Ui þ 1 for i þ 1 2½2, 9, is first used for testing the system performance. Batch Ui þ 1 of the same user is used for evaluating the genuine score distribution.
Batches Ui þ 1 of all the other users are used for evaluating the impostor score distribution. 2. Performance of the system is gauged using equal error rate (EER) at each update cycle i i.e., EERi. 3. After the evaluation of the system, the same batch Ui þ 1 is used for the adaptation of templates (Part B).
The above-mentioned protocol is used for the adapta-tion (part B) and performance evaluation (part C) of the self-update and graph min-cut techniques using Algorithms 1 and 2. Based on the notations used in these Algorithms (1 and 2), T is initialized with two templates
from the batch U1. Each batch Ui represents the input unlabeled set U. Score for each input sample is always computed using the max rule [5].
For self-update, the performance has been analyzed at different updating threshold ðthrn Þ set in the range [0, 0.001]% FAR. For the graph min-cut algorithm, the value of k in the relational k-NN graph (J in Algorithm 2) is set to 3 based on empirical evidence. This value of k is chosen such that each sample is connected and their are no isolated components formed for both the modalities (face and fingerprints). 4.3. Experimental results 4.3.1. Validity of the proposed conceptual representation First of all, we validate the conceptual representation of the self-update and graph based min-cut as described in Sections 2 and 3, respectively.
In accordance with the proposed conceptual represen-tations, we computed the adjacency matrix using all the available samples for each user. Using the adjacency matrix, user-specific sample space is divided into differ-ent sub-graphs by connecting the samples only if the matching score among them is above a fixed threshold.
The operating threshold is set in the range [0 , 1]% FAR for each biometric system. For each threshold value, we computed the number of sub-graphs formed and the number of samples per sub-graph averaged over the entire user population. Tables 1–3 show these numbers for index fingerprint, thumbprint, and face traits, respectively.
It can be seen that for the fingerprint trait, there exists a certain threshold value for which the ratio of number of sub-graphs to the number of samples per sub-graph becomes less than one (sixth row for Tables 1–2). This means that at lower threshold values, samples considered significantly different are aggregated together in few sub-graphs. This observation indicates high sensitivity of the fingerprint trait to the intra-class variations. Due to which even small differences among the samples cause match-ing score to drop to very low values. On the contrary, Table 3 always shows this ratio to be less than one for face biometrics. This means that the sample space is less fragmented in comparison to fingerprints even for very high threshold. This may be due to the performance of the face biometric system, whose genuine score distribution

ผลลัพธ์ (ไทย) 1:

งานตัวอย่าง Ui (สำหรับ i 2½1, 9) ตามลำดับพร้อมใช้งานตลอดเวลา จากนั้น นำโพรโทคอต่อไปนี้:1. a:ส่วนฝึกอบรม 1 ระบบผ่านการฝึกอบรมพร้อมตัวอย่างการลงทะเบียนที่สองจากชุดแรก (เซสชัน),ชุด U1 สำหรับแต่ละผู้ใช้ ในคำอื่น ๆ T D U1 และ U1 จะกำหนด ใหม่เป็น U1 ¼ T U1 (เช่น ตัวอย่างที่เลือกแม่แบบจะถูกแยกออกจากชุด U1) แบบสองจะใช้ในการทดลองนี้เพื่อแทนเงื่อนไขเริ่มต้น ''เป็น '' และให้เส้นฐานจะมีเพิ่มเติม '' flexible'' การเปลี่ยนแปลงภายในคลาส 2. เกณฑ์การตั้งค่า โดยประมาณของแท้ และการกระจายคะแนนของผู้ปลอมแปลงจากแม่ตั้งค่า T ของผู้ใช้ทั้งหมด 2 b:ส่วนที่ปรับปรุง 1 ในการปรับปรุงแต่ละรอบผม ชุด Ui สำหรับฉัน 2½1, 8 ใช้สำหรับปรับปรุงการตั้งค่าแม่แบบของผู้เกี่ยวข้อง 2. ห้าผู้แอบอ้างที่สุ่มตัวอย่างจะนำมาใช้ในแต่ละชุด Ui การประเมินเสถียรภาพของเทคนิคการปรับปรุงจากข้อผิดพลาด misclassification 3. แม่มีการปรับปรุง โดยการเพิ่มจริง ๆ classi fied ป้อนข้อมูลตัวอย่างลงในแม่แบบการตั้งค่าสำหรับแต่ละชุด Ui ต่อผู้ใช้ 3 c:ส่วนประเมินประสิทธิภาพการทำงาน 1 หลังจากแต่ละรอบการอัพเด ชุด Ui þ 1 สำหรับฉัน þ 1 2½2, 9 เป็นแรกที่ใช้สำหรับการทดสอบประสิทธิภาพของระบบ Þ Ui ชุด 1 ของผู้ใช้เดียวกันจะใช้สำหรับการประเมินแท้คะแนนกระจายÞ Ui ชุด 1 ของผู้ใช้อื่นใช้สำหรับการประเมินการกระจายคะแนนของผู้ปลอมแปลง 2. ประสิทธิภาพของระบบเป็นยนตร์ใช้อัตราข้อผิดพลาดเท่า (ตัว) ที่แต่ละวงจรปรับปรุงฉัน EERi 3. หลังจากการประเมินของระบบ ชุดเดียว Ui þ 1 ใช้สำหรับการปรับตัวของแม่ (ส่วน B)ใช้โพรโทคอลที่ระบุข้าง adapta-ทางการค้า (ส่วน B) และการประเมินประสิทธิภาพ (ส่วน C) ปรับปรุงตนเองและกราฟนาทีตัดเทคนิคโดยใช้อัลกอริทึม 1 และ 2 จากสัญลักษณ์ที่ใช้ในอัลกอริทึมเหล่านี้ (1 และ 2), T ถูกเตรียมใช้กับแม่แบบที่สองจากชุด U1 แต่ละชุด Ui แสดงคะแนน U. ชุดไม่มีป้ายชื่อสำหรับการป้อนค่าสำหรับแต่ละอย่างเข้ามักจะคำนวณโดยใช้กฎสูงสุด [5]สำหรับการปรับปรุงตนเอง ประสิทธิภาพได้รับการวิเคราะห์ที่แตกต่างปรับปรุงเกณฑ์ ðthrn Þในช่วง [0, 0.001] %ไกล สำหรับอัลกอริทึมนาทีตัดกราฟ ค่าของ k ในกราฟเชิง k-NN (J ในอัลกอริทึม 2) ไว้ที่ 3 หลักฐานเชิงประจักษ์ เลือกค่าของ k ที่เชื่อมต่อแต่ละอย่าง และมีประกอบหนึ่ง ๆ เกิดขึ้นสำหรับทั้ง modalities (ใบหน้าและ fingerprints) 4.3 การทดลองผล 4.3.1 อายุของการแสดงแนวคิดที่นำเสนอ ครั้งแรก เราตรวจสอบการแสดงแนวคิดของตนเองการปรับปรุง และกราฟตามนาทีตัดตามที่อธิบายไว้ในข้อ 2 และ 3 ตามลำดับตามที่เสนอแนวคิด represen-tations เราคำนวณเมตริกซ์ adjacency ใช้ตัวอย่างที่มีอยู่ทั้งหมดสำหรับแต่ละผู้ใช้ ใช้เมทริกซ์ adjacency, specific ผู้ใช้พื้นที่อย่างถูกแบ่งออกเป็นกราฟย่อยเอนท์แตกต่างกัน โดยการเชื่อมต่อตัวอย่างเท่านั้นถ้าคะแนนตรงกันในหมู่พวกเขาอยู่เหนือขีดจำกัด fixedขีดจำกัดการใช้งานถูกตั้งค่าในช่วง [0, 1] %ไกลสำหรับแต่ละระบบทางชีวภาพ สำหรับแต่ละค่าจำกัด เราคำนวณจำนวนกราฟย่อยที่เกิดขึ้นและจำนวนตัวอย่างต่อกราฟย่อยเฉลี่ยมากกว่าประชากรผู้ใช้ทั้งหมด ตารางที่ 1-3 แสดงตัวเลขเหล่านี้โดยคุณสมบัติดัชนี รหัสประจำตัว และ ลักษณะใบหน้า ตามลำดับจะเห็นได้ว่า สำหรับลักษณะคุณสมบัติ มีค่าขีดจำกัดบางอย่างซึ่งอัตราส่วนของจำนวนกราฟย่อยจำนวนตัวอย่างต่อกราฟย่อยจะน้อยกว่าหนึ่ง (หกแถวสำหรับตาราง 1 – 2) ได้ ซึ่งหมายความว่า ค่าขีดจำกัดล่าง ตัวอย่างถือว่า รวม significantly แตกต่างกันโดยใช้กราฟย่อยบาง สังเกตการณ์นี้บ่งชี้ว่า ความไวแสงสูงของลักษณะคุณสมบัติในการเปลี่ยนแปลงภายในคลาส เนื่องจากการที่ความแตกต่างเล็ก ๆ แม้แต่จากตัวอย่างทำคะแนนตรงอิงไปกับค่าที่ต่ำมาก การ์ตูน ตารางที่ 3 แสดงอัตราส่วนนี้จะน้อยกว่าหนึ่งใบหน้าเสมอ หมายความ ว่า มีพื้นที่อย่างน้อยมากเมื่อเทียบกับ fingerprints ในเกณฑ์สูงมาก อาจเนื่องจากประสิทธิภาพของระบบใบหน้าชีวมาตร คะแนนของแท้ที่มีการแจกจ่าย

ผลลัพธ์ (ไทย) 2:

ตัวอย่างการดำเนินงานอุ้ย (สำหรับผม2½1 9?) ตามลำดับในช่วงเวลาที่มีอยู่ แล้วโปรโตคอลต่อไปนี้ถูกนำมาใช้:
1 Part A: การฝึกอบรม 1. ระบบการฝึกอบรมที่มีสองตัวอย่างจากการลงทะเบียนชุดแรก (ครั้ง) คือ U1 ชุดสำหรับผู้ใช้แต่ละคน ในคำอื่น ๆ U1 TD และ U1 เป็นอีกครั้งที่นิยามเป็น U1 ¼ U1? t (เช่นตัวอย่างที่ได้รับเลือกเป็นแม่แบบจะถูกแยกออกจากชุด U1) ที่ สองแม่แบบที่ใช้ในการทดลองครั้งนี้เพื่อที่จะเป็นตัวแทนของ '' ปานกลาง '' เงื่อนไขเริ่มต้นและช่วยให้ระบบฐานบรรทัดจะมีมากขึ้น '' ยืดหยุ่น '' กับการเปลี่ยนแปลงภายในชั้นเรียน 2. เกณฑ์การอัปเดตจะถูกกำหนดโดยการประเมินการกระจายของแท้และปลอมคะแนนจากแม่แบบชุดเสื้อของผู้ใช้ทั้งหมด 2. ส่วน B: การปรับปรุง 1. ในแต่ละรอบการปรับปรุง I, ชุด Ui for i 2½1, 8? ถูกนำมาใช้สำหรับการปรับปรุงชุดแม่แบบของผู้ใช้แต่ละราย 2. ห้าตัวอย่างสุ่มต้มตุ๋นจะนำเข้าสู่แต่ละชุดอุ้ยเพื่อประเมินความทนทานของเทคนิคการปรับปรุงข้อผิดพลาดไอออนบวก misclassi Fi ที่ 3. แม่แบบที่มีการปรับปรุงโดยการเพิ่มการป้อนข้อมูลตัวอย่าง Fi เอ็ด classi- แท้จริงเป็นชุดแม่แบบสำหรับแต่ละอุ้ยชุดต่อผู้ใช้ 3. ส่วน C: การประเมินผลงาน 1. หลังจากแต่ละรอบการปรับปรุง I, ชุดอุ้ยÞ 1 สำหรับฉัน Th 1 2½2 9 ?, เป็นที่แรกใช้สำหรับการทดสอบประสิทธิภาพของระบบ Batch อุ้ยÞ 1 ของผู้ใช้คนเดียวกันถูกนำมาใช้สำหรับการประเมินการกระจายคะแนนของแท้.
ชุดอุ้ยÞ 1 จากทั้งหมดที่ผู้ใช้อื่น ๆ ที่ใช้ในการประเมินผลการกระจายคะแนนต้มตุ๋น 2. ผลการดำเนินงานของระบบจะประเมินโดยใช้อัตราความผิดพลาดเท่ากับ (EER) ที่รอบการปรับปรุงแต่ละฉันคือ EERI 3. หลังจากการประเมินผลของระบบชุดเดียวกันอุ้ยÞ 1 จะใช้สำหรับการปรับตัวของแม่ (Part B).
โปรโตคอลดังกล่าวข้างต้นจะใช้สำหรับการ ADAPTA-(ภาคข) และการประเมินผลการปฏิบัติงาน (Part C) ของการอัพเดทด้วยตนเองและกราฟเทคนิคนาทีตัดโดยใช้อัลกอริทึมที่ 1 และ 2 จากสัญลักษณ์ที่ใช้ในขั้นตอนวิธีการเหล่านี้ (1 และ 2), T จะเริ่มต้นกับสองแม่แบบ
จาก U1 ชุด แต่ละชุด Ui แสดงให้เห็นถึงการป้อนข้อมูลชุดที่ไม่มีป้ายกำกับคะแนน U. สำหรับการป้อนข้อมูลตัวอย่างแต่ละคนจะถูกคำนวณโดยใช้กฎเสมอสูงสุด [5].
สำหรับตัวเองปรับปรุงประสิทธิภาพการทำงานได้รับการวิเคราะห์ที่แตกต่างกันการปรับปรุงเกณฑ์ðthrn TH ตั้งอยู่ในช่วง [0, 0.001 ]% FAR สำหรับขั้นตอนวิธีกราฟนาทีตัดค่าของ K ในเชิงสัมพันธ์กราฟ K-NN นี้ (J ในขั้นตอนวิธีการ 2) ถูกตั้งไว้ที่ 3 ขึ้นอยู่กับหลักฐานเชิงประจักษ์ ค่าของ K นี่ได้รับการแต่งตั้งดังกล่าวว่าแต่ละตัวอย่างมีการเชื่อมต่อของพวกเขาและไม่มีส่วนประกอบที่แยกรูปแบบสำหรับทั้งรังสี (ใบหน้าและ ngerprints Fi) 4.3 4.3.1 ผลการทดลอง ความถูกต้องของการเสนอเป็นตัวแทนความคิดแรกของทั้งหมดที่เราตรวจสอบการเป็นตัวแทนความคิดของการปรับปรุงตนเองและกราฟตามนาทีตัดตามที่อธิบายไว้ในหมวดที่ 2 และ 3 ตามลำดับ.
ตามที่เสนอแนวคิด represen-tations เราคำนวณถ้อยคำ เมทริกซ์โดยใช้ตัวอย่างทั้งหมดที่ใช้ได้สำหรับผู้ใช้แต่ละคน โดยใช้เมทริกซ์ถ้อยคำพื้นที่ Fi C ตัวอย่างใช้ speci แบ่งออกเป็นแตกต่าง-Ent ย่อยกราฟโดยการเชื่อมต่อตัวอย่างเฉพาะในกรณีที่คะแนนที่ตรงกันในหมู่พวกเขาอยู่เหนือเกณฑ์คงที่.
เกณฑ์การดำเนินงานมีการตั้งค่าในช่วง [0, 1]% FAR สำหรับแต่ละระบบไบโอเมตริก สำหรับค่าเกณฑ์แต่ละเราคำนวณจำนวนกราฟย่อยเกิดขึ้นและจำนวนตัวอย่างต่อย่อยกราฟเฉลี่ยเกินประชากรผู้ใช้ทั้งหมด ตารางที่ 1-3 แสดงตัวเลขเหล่านี้สำหรับ ngerprint ดัชนี fi, รอยนิ้วมือและลักษณะใบหน้าตามลำดับ.
จะเห็นได้ว่าสำหรับลักษณะ Fi ngerprint มีอยู่ค่าเกณฑ์บางอย่างที่อัตราส่วนของจำนวนย่อยกราฟ-จำนวนของกลุ่มตัวอย่าง ต่อย่อยกราฟจะกลายเป็นน้อยกว่าหนึ่ง (แถวที่หกสำหรับตาราง 1-2) ซึ่งหมายความว่าในค่าต่ำกว่าเกณฑ์ตัวอย่างการพิจารณาอย่างมีนัยสำคัญที่แตกต่างกันจะถูกรวมเข้าด้วยกันในอีกไม่กี่ย่อยกราฟ ข้อสังเกตนี้บ่งบอกถึงความไวสูงของลักษณะ Fi ngerprint กับรูปแบบภายในชั้นเรียน เนื่องจากการที่แม้แตกต่างเล็ก ๆ ในหมู่ตัวอย่างทำให้เกิดการแข่งขันไอเอ็นจีคะแนนจะลดลงไปเป็นค่าที่ต่ำมาก ในทางตรงกันข้ามตารางที่ 3 จะแสดงอัตราส่วนนี้จะน้อยกว่าหนึ่งสำหรับใบหน้าชีวภาพ ซึ่งหมายความว่าพื้นที่ตัวอย่างมีการแยกส่วนน้อยเมื่อเทียบกับ ngerprints Fi แม้สำหรับเกณฑ์สูงมาก นี้อาจจะเป็นเพราะประสิทธิภาพของระบบไบโอเมตริกซ์ใบหน้าที่มีการกระจายคะแนนของแท้

ผลลัพธ์ (ไทย) 3:

งานตัวอย่าง UI ( สำหรับผม 2 ½ 1 , 9 ) เป็นใช้ได้ตลอดเวลา แล้วขั้นตอนต่อไปนี้ถูกนำมาใช้ :1 . ส่วนการฝึก 1 ระบบการอบรมกับสองศึกษาตัวอย่างจากจึงตัดสินใจเดินทางชุด ( Session ) คือ ชุดขององค์กรสำหรับผู้ใช้แต่ละคน ในคำอื่น ๆ , T และ D U1 U1 เป็นเดอ จึงเป็น¼ U1 เน็ด U1 T ( เช่น ตัวอย่างเลือกเป็นแม่แบบจะถูกแยกออกจากชุด U1 ) สองแม่แบบที่ใช้ในการทดลองนี้ เพื่อที่จะแสดง " " " "moderate เงื่อนไขเริ่มต้นและให้เส้นฐานระบบให้มากขึ้น " " fl exible " " ภายในห้องเรียนรูปแบบ 2 . การปรับปรุงเกณฑ์กำหนด โดยประเมินจากคะแนนแบบของแท้และปลอมแม่แบบชุดของผู้ใช้ทั้งหมด 2 . ส่วน b : การปรับปรุง 1 ในแต่ละการปรับปรุงวงจรผม , ชุด UI สำหรับผม 2 ½ 1 , 8 ใช้สำหรับการปรับปรุงแม่แบบชุดของผู้ใช้แต่ละคน 2 . ห้าสุ่มลวงโลกจำนวนเข้าไปในแต่ละชุด UI เพื่อประเมินความแข็งแกร่งของการปรับปรุงเทคนิคกับการ misclassi จึงผิดพลาด 3 . แม่แบบที่ได้รับการปรับปรุงโดยการเพิ่ม classi อย่างแท้จริง - จึงเอ็ดใส่ตัวอย่างลงในแม่แบบการตั้งค่าสำหรับแต่ละชุด UI ต่อผู้ใช้ 3 . ส่วน C : การประเมินผลการปฏิบัติงาน 1 . หลังจากที่แต่ละการปรับปรุงวงจรผม , ชุด UI þ 1 สำหรับผมþ 1 2 ½ 2 , 9 , จึงตัดสินใจเดินทางไปใช้ในการทดสอบประสิทธิภาพของระบบ ชุด UI þ 1 ของผู้ใช้เดียวกันจะใช้สำหรับการประเมินการกระจายคะแนนแท้ชุด UI þ 1 ของผู้ใช้ทุกคนอื่น ๆที่ใช้สำหรับการประเมิน นักต้มตุ๋น คะแนนกระจาย 2 . ประสิทธิภาพของระบบดังกล่าว โดยใช้อัตราความผิดพลาดเท่ากับ ( EER ) ในการปรับปรุงแต่ละรอบผมคือ eeri . 3 . หลังจากการประเมินผลของระบบเดียวกันชุด UI þ 1 ใช้สำหรับการปรับตัวของแม่แบบ ( ส่วน B )พิธีสารดังกล่าวจะใช้สำหรับ adapta tion ( ส่วน B ) และการประเมินผล ( ส่วน C ) ของตนเอง ปรับปรุง และมินตัดกราฟเทคนิคใช้ขั้นตอนวิธีที่ 1 และ 2 ตามสัญลักษณ์ที่ใช้ในขั้นตอนวิธีเหล่านี้ ( 1 และ 2 ) , T จะเริ่มต้นด้วยสองแม่แบบจากชุดขององค์กร แต่ละชุด UI เป็นใส่ชุด U . คะแนนแต่ละ unlabeled ใส่ตัวอย่างมักคำนวณโดยใช้กฎสูงสุด [ 5 ]การปรับปรุงตนเอง , การแสดงถูกวิเคราะห์ที่แตกต่างกันการปรับปรุงเกณฑ์ð thrn Þชุดในช่วง [ 0 , 1 ] % ไกล สำหรับมินตัดขั้นตอนวิธีกราฟ ค่า K ในกราฟ k-nn สัมพันธ์ ( J ในการ 2 ) ชุดที่ 3 ตามหลักฐานเชิงประจักษ์ ค่า K ให้เลือกซึ่งแต่ละตัวอย่างมีการเชื่อมต่อและพวกเขาไม่แยกองค์ประกอบรูปแบบทั้งรูปแบบ ( ใบหน้า จึง ngerprints ) 4.3 . ผลการทดลองใน . ความถูกต้องของการเสนอแนวคิด ครั้งแรกของทั้งหมด เราตรวจสอบการแสดงความคิดของตนเองและปรับปรุงกราฟตามมินตัดตามที่อธิบายไว้ในส่วนที่ 2 และ 3 ตามลำดับสอดคล้องกับแนวคิดที่เสนอ represen tations เราทำการคำนวณเมทริกซ์โดยใช้ถ้อยคำทั้งหมดของตัวอย่างสำหรับผู้ใช้แต่ละคน การใช้ถ้อยคำ matrix ผู้ใช้กาจึง C พื้นที่ตัวอย่าง แบ่งเป็นกราฟย่อยแตกต่างกันเอนท์ด้วยการเชื่อมต่อตัวอย่างเท่านั้น หากการจับคู่คะแนนในหมู่พวกเขาอยู่เหนือจึง xed เกณฑ์เกณฑ์การดำเนินงานตั้งอยู่ในช่วง [ 0 , 1 ] % ไกลสำหรับแต่ละระบบไบโอเมตริก . สำหรับแต่ละเกณฑ์คุณค่า เราคำนวณจำนวนซับกราฟรูปแบบและจำนวนของตัวอย่างต่อซับกราฟเฉลี่ยมากกว่าประชากรผู้ใช้ทั้งหมด ตารางที่ 1 – 3 โชว์ตัวเลขเหล่านี้สำหรับดัชนีจึง ngerprint ลายนิ้วมือและใบหน้า , ลักษณะ , ตามลำดับจะเห็นได้ว่าลักษณะ ngerprint จึงมีอยู่คุณค่าเกณฑ์บางอย่าง ซึ่งอัตราส่วนของจำนวนซับกราฟจำนวนของตัวอย่างต่อซับกราฟจะน้อยกว่าหนึ่ง ( แถวที่หกตารางที่ 1 – 2 ) ซึ่งหมายความว่าในเกณฑ์ต่ำกว่าค่า ตัวอย่าง ถือว่า signi จึงลดลงอย่างมีนัยสําคัญเมื่ออยู่รวม กันแตกต่างกันในกราฟย่อยเพียงไม่กี่ สังเกตพบว่า ความไวสูง จึง ngerprint คุณลักษณะกับภายในห้องรูปแบบ เนื่องจากความแตกต่างระหว่างตัวอย่างที่เล็กเพราะตรงกับไอเอ็นจีคะแนนจะลดลงค่าต่ำมาก ในทางตรงกันข้าม ตารางที่ 3 จะแสดงอัตราส่วนนี้จะน้อยกว่าหนึ่งใบหน้าชีวภาพ . ซึ่งหมายความว่าพื้นที่ตัวอย่าง fragmented น้อยกว่าในการเปรียบเทียบกับเกณฑ์สูงมาก จึง ngerprints แม้สำหรับ นี้อาจจะเนื่องจากประสิทธิภาพของหน้าระบบไบโอเมตริก ซึ่งคะแนนกระจายของแท้