generate a high normalized match sc

generate a high normalized match score. Conversely, if the
questioned image is of poor quality, scores for known-matches
and known non-matches will be similar, and in the worst case
scenario, the KNM density will be widely distributed generating a
low normalized match score. Despite the theoretical simplicity in
the metric, the challenge is to (i) extract relevant details from the
questioned print and (ii) use these variables to predict the
magnitude of the match score without requiring computation of
the match score itself. To do this, the NFIQ determines image
attributes such as contrast, ridge flow, ridge curvature and
neighborhood statistics as a function of pixel intensity. Armed
with this information, extracted minutiae are weighted based on
the assessed quality of the local pixel block in which they belong.
The end result is an 11-dimensional feature vector that, through
the use of an artificial neural network, can be classified as poor (5),
fair (4), good (3), very good (2), or excellent (1) in quality [7].
Although extremely easy to use, the authors had concerns about
interpreting the expected results from the NIST metric prior to
initiating this phase of the research. The reason for this concern is
that the NFIQ was never designed to assess the types of images
examined in this study, especially given the extreme background
features purposely selected for inclusion in this project. This is not
a misgiving of the metric itself, but rather the nature of the
question being addressed by this study. The end result is that
caution must be exercised when interpreting the NFIQ results for
the images utilized in this project.

ผลลัพธ์ (ไทย) 1:

สร้างคะแนนตรงกับมาตรฐานสูง ในทางกลับกัน ถ้าการสอบสวนภาพมีคุณภาพดี คะแนนสำหรับตรงที่รู้จักกันและรู้จักไม่ตรงจะ คล้าย และ ในกรณีเลวร้ายที่สุดสถานการณ์ ความหนาแน่น KNM จะแพร่กระจายสร้างเป็นต่ำตรงกับมาตรฐานคะแนน แม้จะเรียบง่ายในทางทฤษฎีการวัด ความท้าทายจะ (i) แยกรายละเอียดที่เกี่ยวข้องจากการพิมพ์ไต่สวนและ (ii) ใช้ตัวแปรเหล่านี้เพื่อทำนายการขนาดของคะแนนตรงกันโดยไม่ต้องคำนวณการจับคู่คะแนนเอง การทำเช่นนี้ NFIQ การกำหนดภาพคุณลักษณะเช่นความคมชัด กระแสริดจ์ ริดจ์โค้ง และสถิติพื้นที่ใกล้เคียงเป็นฟังก์ชันของความเข้มของพิกเซล กองกำลังติดอาวุธด้วยข้อมูลนี้ แยก minutiae ถ่วงน้ำหนักตามคุณภาพจากการประเมินของพิกเซลภายในบล็อกในที่ที่พวกเขาอยู่ผลลัพธ์สุดท้ายจะเป็นคุณลักษณะ 11 มิติเวกเตอร์ ที่ผ่านใช้ของเครือข่ายประสาทเทียม สามารถจัดคนจน (5),ดี (3), มาก แฟร์ (4) ดี (2), หรือยอดเยี่ยม (1) [7] มีคุณภาพมากใช้งานง่าย แม้ว่าผู้เขียนมีข้อสงสัยเกี่ยวกับตีความผลลัพธ์คาดไว้จากวัด NIST ก่อนเริ่มต้นขั้นตอนของการวิจัยนี้ เหตุผลสำหรับปัญหานี้คือว่า NFIQ ที่ไม่เคยถูกออกแบบให้ประเมินชนิดของภาพในการศึกษานี้ โดยเฉพาะอย่างยิ่งกำหนดให้พื้นหลังมากคุณลักษณะที่จงใจเลือกให้รวมไว้ในโครงการนี้ นี้ไม่ได้misgiving ของการวัดตัว แต่เป็นลักษณะของการคำถามที่ถูกระบุ โดยการศึกษานี้ ผลลัพธ์สุดท้ายคือต้องใช้ความระมัดระวังเมื่อทำนายผลลัพธ์ NFIQภาพที่ใช้ในโครงการนี้

ผลลัพธ์ (ไทย) 2:

สร้างคะแนนการแข่งขันปกติสูง ตรงกันข้ามถ้าภาพสอบสวนมีคุณภาพไม่ดีคะแนนสำหรับการแข่งขันที่รู้จักและเป็นที่รู้จักการแข่งขันที่ไม่ใช่จะคล้ายกันและในกรณีที่เลวร้ายที่สุดสถานการณ์ความหนาแน่นKNM จะได้รับการกระจายอย่างกว้างขวางสร้างคะแนนการแข่งขันปกติต่ำ แม้จะมีความเรียบง่ายทฤษฎีในตัวชี้วัดที่ท้าทายคือการ (i) สารสกัดจากรายละเอียดที่เกี่ยวข้องจากการพิมพ์สอบสวนและ(ii) ใช้ตัวแปรเหล่านี้ที่จะคาดการณ์ขนาดของคะแนนการแข่งขันโดยไม่ต้องมีการคำนวณคะแนนการแข่งขันของตัวเอง การทำเช่นนี้ NFIQ กำหนดภาพคุณลักษณะเช่นความคมชัดไหลสันโค้งสันและสถิติพื้นที่ใกล้เคียงเป็นหน้าที่ของความเข้มพิกเซล อาวุธที่มีข้อมูลนี้ข้อปลีกย่อยสกัดมีน้ำหนักขึ้นอยู่กับคุณภาพของการประเมินของบล็อกพิกเซลในท้องถิ่นที่พวกเขาอยู่. ผลลัพธ์ที่ได้คือเวกเตอร์คุณลักษณะ 11 มิติที่ผ่านการใช้งานของเครือข่ายประสาทเทียมที่สามารถจัดเป็นที่น่าสงสาร(5) เป็นธรรม (4) ดี (3) ดีมาก (2) หรือดีเยี่ยม (1) คุณภาพ [7]. แม้ว่ามากใช้งานง่ายผู้เขียนมีความกังวลเกี่ยวกับการตีความผลที่คาดหวังจากตัวชี้วัด NIST ก่อนที่จะเริ่มต้นขั้นตอนของการวิจัยนี้ เหตุผลสำหรับความกังวลนี้คือว่า NFIQ ไม่เคยถูกออกแบบมาเพื่อประเมินประเภทภาพการตรวจสอบในการศึกษาครั้งนี้โดยเฉพาะอย่างยิ่งพื้นหลังมากคุณสมบัติจงใจเลือกสำหรับการรวมในโครงการนี้ นี้ไม่ได้เป็นความหวั่นหวาดของตัวเองตัวชี้วัดแต่ลักษณะของคำถามที่ถูกแก้ไขโดยการศึกษาครั้งนี้ ผลลัพธ์ที่ได้ก็คือความระมัดระวังจะต้องใช้สิทธิเมื่อการตีความผล NFIQ สำหรับภาพที่นำมาใช้ในโครงการนี้

ผลลัพธ์ (ไทย) 3:

สร้างมาตรฐานสูงตรงกับคะแนน ในทางกลับกัน ถ้า
ถามภาพคุณภาพ , คะแนนสำหรับรู้จักและรู้จักไม่ตรงกับการแข่งขัน
จะคล้ายคลึงกัน และในสถานการณ์ที่เลวร้ายที่สุดกรณี
, knm ความหนาแน่นจะถูกกระจายอย่างกว้างขวางสร้าง
ต่ำปกติตรงกับคะแนน แม้จะมีความเรียบง่ายทฤษฎี
เมตริก ท้าทายให้ ( ผม ) สารสกัดจากรายละเอียดที่เกี่ยวข้องจาก
ถามพิมพ์ และ ( ii ) การใช้ตัวแปรเหล่านี้เพื่อทำนายขนาดของการจับคู่คะแนน

โดยไม่ต้องมีการคำนวณตรงกับคะแนนนั่นเอง ทำแบบนี้ nfiq กำหนดภาพ
คุณสมบัติเช่นความคมชัด , สันไหลโค้งสัน
สถิติย่านเป็นฟังก์ชันของพิกเซลเข้ม อาวุธ
กับข้อมูลนี้ แยกตาม
ข้อปลีกย่อยถ่วงน้ำหนักการประเมินคุณภาพของพิกเซลบล็อกท้องถิ่นที่พวกเขาอยู่ .
ผลสุดท้ายเป็น 11 มิติเวกเตอร์คุณลักษณะที่ผ่าน
การใช้โครงข่ายประสาทเทียมสามารถจัดเป็นคนจน ( 5 ) ,
ยุติธรรม ( 4 ) ดี ( 3 ) ดี ( 2 ) ยอดเยี่ยม ( หรือ 1 ) คุณภาพ [ 7 ] .
ถึงแม้ว่ามากใช้งานง่าย , ผู้ที่มีความกังวลเกี่ยวกับ
การตีความผลที่คาดว่าจะได้รับจาก NIST เมตริกก่อน
เริ่มต้นขั้นตอนของการวิจัย เหตุผลสำหรับความกังวลนี้
ที่ nfiq ไม่เคยออกแบบมาเพื่อประเมินประเภทของภาพ
ตรวจสอบในการศึกษานี้ โดยเฉพาะอย่างยิ่งให้
พื้นหลังมากคุณสมบัติจงใจเลือกเพื่อรวมไว้ในโครงการนี้ นี่ไม่ใช่การความสงสัยของตัวชี้วัดเอง แต่ธรรมชาติของ
คำถามที่ถูกระบุโดยการศึกษา ผลลัพธ์ที่ได้คือว่า
ข้อควรระวังต้องออกกำลังกายเมื่อแปลผล nfiq
ภาพที่ใช้ในโครงการนี้