[論文レビュー] An Experimental Study of Deep Convolutional Features For Iris Recognition

Shervin Minaee, AmirAli Abdolrashidi+1 more|arXiv (Cornell University)|Feb 4, 2017

Biometric Identification and Security参考文献 35被引用数 6

ひとこと要約

本論文では、微調整を行わず、事前学習されたVGG-Net特徴を用いて虹彩認識を行う手法を提案する。転移学習を活用し、虹彩画像から直接深層特徴を抽出する。提案手法は、IIT Delhiデータセットにおいて99.4%の認識精度を達成し、単純なPCAとSVMパイプラインを用いるだけで、先行する最先端手法を上回り、微分類やタスク固有の適応なしでも、深層特徴の頑健性と識別力の高さを示している。

ABSTRACT

Iris is one of the popular biometrics that is widely used for identity authentication. Different features have been used to perform iris recognition in the past. Most of them are based on hand-crafted features designed by biometrics experts. Due to tremendous success of deep learning in computer vision problems, there has been a lot of interest in applying features learned by convolutional neural networks on general image recognition to other tasks such as segmentation, face recognition, and object detection. In this paper, we have investigated the application of deep features extracted from VGG-Net for iris recognition. The proposed scheme has been tested on two well-known iris databases, and has shown promising results with the best accuracy rate of 99.4\%, which outperforms the previous best result.

研究の動機と目的

• ImageNetで一般物体認識用に事前学習されたVGG-Netから得られる深層特徴が、虹彩認識という異なるバイオメトリクスタスクに効果的に転送可能かどうかを調査すること。
• 分類やアーキテクチャの適応なしに、標準的な虹彩データセット上でこれらの深層特徴の性能を評価すること。
• 従来の手作業特徴抽出手法と比較して、認識精度と頑健性の観点から、提案された転移学習アプローチの性能を評価すること。
• さまざまなVGG-Net層とPCA次元数が認識性能に与える影響を分析すること。
• 被験者1人あたりの訓練サンプル数の変動に対する、本手法の頑健性を評価すること。

提案手法

• 事前学習済みVGG-Netを固定された特徴抽出器として用い、最終全結合層を削除することで、中間層からの深層特徴を取得する。
• 虹彩画像を分類処理なしにネットワークに入力し、特徴学習のための生の入力を保持する。
• 主成分分析（PCA）を用いて抽出された特徴の次元を低減し、計算効率を向上させるとともにノイズを低減する。
• PCAによる次元削減後に、多クラスサポートベクターマシン（SVM）を用いて分類を行い、被験者識別を実行する。
• VGG-Netの複数の層からの特徴を評価し、虹彩認識に最も識別的な表現を提供する層を特定する。
• 2つのベンチマークデータセット（CASIA-1000 および IIT Delhi）を用いて実験を行い、訓練サンプル数とPCA成分数のアブレーションスタディを実施する。

実験結果

リサーチクエスチョン

• RQ1 ImageNetで事前学習されたVGG-Netの深層特徴は、異なるバイオメトリクスタスクである虹彩認識に、一般化して効果的に適用可能か？
• RQ2 標準的な虹彩データセット上での認識精度の観点から、従来の手作業特徴抽出手法と比較して、深層特徴の性能はどのように異なるか？
• RQ3 どのVGG-Net層が虹彩認識に最も識別的な特徴を提供するか？また、深層特徴がより高い層で性能が低下する理由は何か？
• RQ4 本手法は被験者1人あたりの訓練サンプル数に対してどれほど感度が高く、高い正確性を得るための最小サンプル数はどの程度か？
• RQ5 虹彩の分類処理が一切行われない場合、深層特徴ベースのアプローチの性能にどの程度影響を与えるか？

主な発見

• 提案手法は、IIT Delhiデータセットで99.4%の認識精度を達成し、スキャタリング変換特徴を用いた以前の最高記録（99.2%）を上回った。
• PCA成分をたった100個に制限しても、IIT Delhiデータセットで98%を超える正確性を達成し、それ以上に増やすとほとんど改善が見られなかった。
• VGG-Netの10番目の層からの特徴が最も高い認識正確性を示し、中位レベルの特徴が高レベルの抽象的特徴よりも識別に優れていることを示している。
• 被験者1人あたり3つの訓練サンプルでさえも、1つまたは2つのサンプルよりも顕著な性能向上を示し、本手法は非常に頑健であった。
• 分類処理や微調整なしに最高の正確性が達成されたことから、深層特徴が虹彩画像内のクラス内変動に対して非常に頑健であることが示された。
• より深い層（7番目以降）からの特徴は98%以上の正確性を維持していたが、最も高い層ではわずかに低下しており、極めて抽象化された表現では識別的詳細が失われる傾向にあることが示唆された。