[論文レビュー] CNN-based Pore Detection and Description for High-Resolution Fingerprint Recognition.

Gabriel Dahia, Maurício Pamplona Segundo|arXiv (Cornell University)|Sep 26, 2018

Biometric Identification and Security参考文献 19被引用数 2

ひとこと要約

本論文では、高解像度指紋認識におけるロバストな局所穴特徴量を学習するためのCNNベースのアプローチを提案する。画像アライメントを用いた自動生成トレーニングアノテーションにより、ラベルなしデータの欠如を回避する。本手法は、手動で作成された特徴量の代わりにデータ駆動型の特徴量を採用することで、部分的および完全な指紋の両方において、公開ベンチマークで最先端の性能を達成した。アブレーションスタディにより検証された。

ABSTRACT

High-resolution fingerprint recognition often relies on sophisticated matching algorithms based on hand-crafted keypoint descriptors, with pores being the most common keypoint choice. Our method is the opposite of the prevalent approach: we use instead a simple matching algorithm based on robust local pore descriptors that are learned from the data using a CNN. In order to train this CNN in a fully supervised manner, we describe how the automatic alignment of fingerprint images can be used to obtain the required training annotations, which are otherwise missing in all publicly available datasets. This improves the state-of-the-art recognition results for both partial and full fingerprints in a public benchmark. To confirm that the observed improvement is due to the adoption of learned descriptors, we conduct an ablation study using the most successful pore descriptors previously used in the literature. All our code is available at this https URL

研究の動機と目的

• 高解像度指紋認識における穴特徴量のトレーニングデータのラベルなし問題に対処すること。
• データからロバストな局所穴特徴量を学習する完全に教師ありのCNNベースの手法を開発すること。
• 手動特徴量の代わりに学習された特徴量を用いることで、部分的および完全な指紋の両方の認識精度を向上させること。
• アブレーションを通じて、学習された特徴量が先行研究の最先端の手動特徴量を上回ることを実証すること。
• 公開データセットにおける正解ラベルの欠如を克服するため、指紋画像アライメントを用いた穴の自動アノテーションを可能にすること。

提案手法

• 畳み込みニューラルネットワーク（CNN）を完全に教師ありの方法で、局所穴特徴量を学習する。
• トレーニングアノテーションは、指紋画像同士のアライメントにより自動的に生成され、幾何的整合性を活用して穴の位置を推定する。
• 本手法は、複雑なキーポoinマッチングパイプラインへの依存を減らすために、学習されたCNN特徴量に基づくシンプルなマッチングアルゴリズムを採用する。
• ネットワークは、アライメントにより正例および負例のトレーニングサンプルを定義する、アライメント済み指紋ペア上でエンドツーエンドに訓練される。
• 本手法は、マッチングに有用な微細な穴特徴量を抽出できる高解像度画像データを活用する。
• アブレーションスタディでは、最も成功した先行の手動特徴量と比較して、学習された特徴量の性能向上を検証する。

実験結果

リサーチクエスチョン

• RQ1 CNNから学習された局所特徴量は、高解像度指紋認識において、手動特徴量を上回ることができるか？
• RQ2 画像アライメントによる自動アノテーションは、指紋穴データに対する教師ありCNNのトレーニングにどの程度効果的か？
• RQ3 提案手法は、最先端の手法と比較して、部分的および完全な指紋の両方の認識精度を向上させるか？
• RQ4 性能向上の要因は、学習された特徴量か、マッチング戦略か、どちらに起因するか？
• RQ5 CNNベースの特徴量学習は、先行の手動特徴量手法に比べて、どの程度の貢献を果たすか？

主な発見

• 提案されたCNNベースの手法は、部分的および完全な指紋の両方において、公開ベンチマークで最先端の認識性能を達成した。
• アブレーションスタディにより、性能向上は学習された特徴量に起因することが確認された。手動特徴量との比較で裏付けられた。
• 自動画像アライメントにより、公開データセットにおけるアノテーション不足を克服し、完全に教師ありのトレーニングデータを生成可能となった。
• 単純なマッチングアルゴリズムを用いても、手動特徴量に依存する先行手法を上回る性能を発揮した。
• アブレーションスタディにより、性能向上はマッチングパイプラインではなく、学習された特徴量の質に起因することが確認された。
• すべてのコードとモデルは、再現性およびさらなる研究を支援するため、公開された。