Fingerprint Saliency Dataset

该数据集名为Fingerprint Saliency Dataset，由圣母大学计算机科学与工程学院的研究团队创建。数据集包含800个人工标注的指纹感知重要图，这些图与文本描述一起，支持人类检测伪造指纹的决策。此外，数据集还包括算法生成的伪显著图，包括基于细节、图像质量和自动编码器生成的显著图。该数据集旨在用于研究显著性引导训练在指纹活体检测中的应用，以提高模型在有限和大量数据环境中的泛化能力和分类精度。This dataset, named Fingerprint Saliency Dataset, was created by a research team from the Department of Computer Science and Engineering, University of Notre Dame. The dataset contains 800 manually annotated fingerprint saliency maps, which, together with textual descriptions, support human decision-making for fake fingerprint detection. Additionally, the dataset also includes algorithmically generated pseudo saliency maps based on fingerprint minutiae, image quality, and autoencoders. This dataset is intended for research on the application of saliency-guided training in fingerprint liveness detection, aiming to improve the model's generalization ability and classification accuracy in both limited and large-scale data scenarios.

搜集汇总

数据集介绍

构建方式

Fingerprint Saliency Dataset的构建基于一项50名参与者的人类标注研究，共收集了800份指纹图像的显著性标注和文本描述。研究使用了来自历届指纹活体检测竞赛（LivDet）的真实和伪造指纹样本，通过专门的图像标注软件记录参与者的分类决策、显著区域标注及支持性文字描述。此外，数据集还整合了算法生成的伪显著性图，包括基于细节点的、基于图像质量的和基于自动编码器的显著性图，以提供多样化的显著性信息。

使用方法

数据集支持通过CYBORG损失函数实现显著性引导训练，将模型注意力聚焦于人类或算法标注的显著区域。用户可选择不同显著性类型（如人类标注、自动编码器生成）和粒度（FOI/AOI/BOI）进行实验配置。评估建议采用LivDet-2021测试集，重点关注分类准确率、AUC及针对新型攻击的泛化性能。数据集的伪显著性设计尤其适合大规模训练场景，为指纹呈现攻击检测研究提供了可扩展的解决方案。

背景与挑战

背景概述

Fingerprint Saliency Dataset是由美国圣母大学（University of Notre Dame）的Samuel Webster和Adam Czajka等研究人员于2025年提出的，旨在解决指纹呈现攻击检测（Fingerprint Presentation Attack Detection, PAD）中的关键问题。该数据集包含800个人工标注的显著性地图和文本描述，通过50名参与者的研究收集而成，主要用于指导模型学习指纹图像中的重要区域，从而提高检测精度和泛化能力。该数据集的发布填补了指纹PAD领域缺乏人类显著性标注数据的空白，并为相关研究提供了重要的基准资源。

当前挑战

构建Fingerprint Saliency Dataset面临的主要挑战包括：1) 领域问题的挑战：指纹PAD需要区分真实指纹与多种材料（如硅胶、凝胶等）制作的伪造指纹，而现有深度学习模型对未知攻击类型的泛化能力不足；2) 构建过程的挑战：数据收集需要大量人工标注，且需确保标注的一致性和准确性。此外，算法生成的伪显著性地图（如基于细节点的、基于图像质量的等）需要与人类标注数据有效结合，以提升模型的训练效果。

常用场景

经典使用场景

在生物识别安全领域，指纹呈现攻击检测（PAD）是确保系统安全性的关键技术。Fingerprint Saliency Dataset通过收集人类标注的显著性图和算法生成的伪显著性图，为研究者提供了丰富的训练数据。该数据集最经典的使用场景在于训练深度学习模型，以区分真实指纹与伪造指纹。通过显著性引导的训练方法，模型能够聚焦于指纹图像中的关键区域，从而提高检测的准确性和泛化能力。

解决学术问题

Fingerprint Saliency Dataset解决了指纹PAD领域中的多个关键学术问题。首先，它通过人类标注的显著性图，为模型提供了可解释的特征学习方向，减少了模型对无关特征的依赖。其次，数据集中的伪显著性图（如基于细节点的显著性图）为研究者提供了多样化的训练选择，尤其在数据有限的情况下表现出色。此外，该数据集还探索了显著性引导训练在大规模数据场景下的扩展性，为未来研究提供了重要参考。

实际应用

在实际应用中，Fingerprint Saliency Dataset为指纹识别系统的安全性提供了有力支持。例如，在金融支付、边境安检等高安全性场景中，该数据集训练的模型能够有效检测新型伪造指纹攻击，防止系统被欺骗。此外，数据集的显著性标注方法还可用于其他生物识别模态（如虹膜、人脸）的PAD任务，展示了其广泛的应用潜力。

数据集最近研究

最新研究方向

近年来，指纹显著性数据集（Fingerprint Saliency Dataset）在生物特征识别领域的研究方向主要集中在显著性引导训练（saliency-guided training）在指纹呈现攻击检测（PAD）中的应用。通过结合人类标注的显著性图和算法生成的伪显著性图，研究者探索了如何提升模型在有限数据条件下的泛化能力和检测精度。前沿研究热点包括多粒度显著性引导策略（如FOI、AOI、BOI）、跨模态伪显著性融合（如基于细节点的、基于图像质量的、基于自动编码器的显著性），以及大规模数据场景下的可扩展性优化。该数据集通过释放800组双重人工标注数据和算法生成数据，为指纹防伪领域提供了首个显著性基准，其成果在LivDet-2021竞赛中达到最高准确率，显著推动了对抗样本检测的可解释性和小样本学习研究。

相关研究论文

• Saliency-Guided Training for Fingerprint Presentation Attack Detection

  圣母大学计算机科学与工程学院 · 2025年