[論文レビュー] Biometric Quality: Review and Application to Face Recognition with FaceQnet

Javier Hernandez‐Ortega, Javier Galbally+2 more|arXiv (Cornell University)|Jun 5, 2020

Face recognition and analysis参考文献 49被引用数 58

ひとこと要約

本論文は生体認証品質の概念をレビューし、FaceQnet を紹介します。FaceQnet は顔画像から顔認識精度を予測する深層学習ベースのオープンソースツールであり、v0 および改良版 v1 が最先端の指標と比較評価されています。

ABSTRACT

"The output of a computerised system can only be as accurate as the information entered into it." This rather trivial statement is the basis behind one of the driving concepts in biometric recognition: biometric quality. Quality is nowadays widely regarded as the number one factor responsible for the good or bad performance of automated biometric systems. It refers to the ability of a biometric sample to be used for recognition purposes and produce consistent, accurate, and reliable results. Such a subjective term is objectively estimated by the so-called biometric quality metrics. These algorithms play nowadays a pivotal role in the correct functioning of systems, providing feedback to the users and working as invaluable audit tools. In spite of their unanimously accepted relevance, some of the most used and deployed biometric characteristics are lacking behind in the development of these methods. This is the case of face recognition. After a gentle introduction to the general topic of biometric quality and a review of past efforts in face quality metrics, in the present work, we address the need for better face quality metrics by developing FaceQnet. FaceQnet is a novel open-source face quality assessment tool, inspired and powered by deep learning technology, which assigns a scalar quality measure to facial images, as prediction of their recognition accuracy. Two versions of FaceQnet have been thoroughly evaluated both in this work and also independently by NIST, showing the soundness of the approach and its competitiveness with respect to current state-of-the-art metrics. Even though our work is presented here particularly in the framework of face biometrics, the proposed methodology for building a fully automated quality metric can be very useful and easily adapted to other artificial intelligence tasks.

研究の動機と目的

• 生体認証品質とそれが顔認識において重要である理由を説明する。
• 深層学習を用いた完全自動化・スケーラブルな顔品質指標を提案する。
• ICAO準拠から派生したグラウンドトゥルースを用いて、人間のラベリングを伴わない FaceQnet を開発・評価する。
• FaceQnet を最先端の顔品質指標と比較し、オープンソースのリソースを提供する。

提案手法

• 認識精度の予測因子としての生体認証品質の一般的な枠組みを説明する。
• 深層顔表現から品質予測子への知識移転により FaceQnet を開発する。
• ICAO/コンプライアンスベースのラベリングを用いて自動的にグラウンドトゥルース品質スコアを作成する。
• 最先端の指標と NIST FRVT による独立評価に対して FaceQnet の2つのバージョン（v0 と v1）を評価する。
• FaceQnet をオープンソースプロジェクトとして公開し、LFW と VGGFace2 の品質ラベルを提供する。

実験結果

リサーチクエスチョン

• RQ1 生体認証品質をどのように顔認識精度の予測因子として定量化できるか？
• RQ2 深層学習ベースの品質指標は、従来の手作り特徴や伝統的指標を上回ることができるか？
• RQ3 FaceQnet の2つのバージョン（v0 と v1）は認識性能との整合性が改善されているか？
• RQ4 このアプローチは複数の顔データベースと独立評価を跨いで頑健か？
• RQ5 この方法論は顔認識以外の他のAIタスクにも一般化可能か？

主な発見

• FaceQnet は認識精度と相関する0から1までの数値品質スコアを提供します。
• FaceQnet v1 は評価で FaceQnet v0 より改善を示し、最先端指標に対して競争力のある性能を提供します。
• NIST FRVTによる独立評価は FaceQnet の健全性と競争力を裏付けます。
• FaceQnet はオープンソースとして公開され、より広い普及と他のAIタスクへの適応を可能にします。
• LFW と VGGFace2 の品質ラベルが生成され、FaceQnet と共に提供されます。