[論文レビュー] Cross-sensor Pore Detection in High-resolution Fingerprint Images using Unsupervised Domain Adaptation

Vijay Anand, Vivek Kanhangad|arXiv (Cornell University)|Aug 28, 2019

Biometric Identification and Security参考文献 11被引用数 4

ひとこと要約

本稿では、高解像度指紋画像におけるクロスセンサー毛孔検出のための、勾配反転層を組み込んだ自己教師付きドメイン適応を備えた残差畳み込みニューラルネットワーク（DeepDomainPore）を提案する。自社で構築した1000 dpiの指紋データセット（IITI-HRFP-GT）を用いて訓練した結果、公開のクロスセンサーベンチマークにおいて88.12%の真陽性検出率と83.82%のFスコアを達成し、ドメイン一般化性能において既存の学習ベース手法を上回った。

ABSTRACT

With the emergence of high-resolution fingerprint sensors, there has been a lot of focus on level-3 fingerprint features, especially the pores, for the next generation automated fingerprint recognition systems (AFRS). Following the success of deep learning in various computer vision tasks, researchers have developed learning-based approaches for detection of pores in high-resolution fingerprint images. Generally, learning-based approaches provide better performance than handcrafted feature-based approaches. However, domain adaptability of the existing learning-based pore detection methods has never been studied. In this paper, we study this aspect and propose an approach for pore detection in cross-sensor scenarios. For this purpose, we have generated an in-house 1000 dpi fingerprint dataset with ground truth pore coordinates (referred to as IITI-HRFP-GT), and evaluated the performance of the existing learning-based pore detection approaches. The core of the proposed approach for detection of pores in cross-sensor scenarios is DeepDomainPore, which is a residual learning-based convolutional neural network(CNN) trained for pore detection. The domain adaptability in DeepDomainPore is achieved by embedding a gradient reversal layer between the CNN and a domain classifier network. The proposed approach achieves state-of-the-art performance in a cross-sensor scenario involving public high-resolution fingerprint datasets with 88.12% true detection rate and 83.82% F-score.

研究の動機と目的

• 異なる指紋センサー間における既存の学習ベースの毛孔検出手法のドメイン適応性を調査すること。
• ターゲットドメインのラベル付きデータを一切必要としない、多様な高解像度指紋センサーに普遍的に適応する深層学習フレームワークを開発すること。
• 地面真の毛孔座標を備えた高品質な自社内1000 dpi指紋データセット（IITI-HRFP-GT）を構築し、学習と評価に用いること。
• センサー固有のドメインシフトに対処することで、自動指紋認識システムにおける毛孔検出の耐障害性を向上させること。

提案手法

• 高解像度指紋画像における毛孔検出に特化した残差畳み込みニューラルネットワークアーキテクチャであるDeepDomainPoreを提案する。
• 特徴抽出部とドメイン分類器の間に勾配反転層を統合し、自己教師付きドメイン適応を可能にする。
• ソースドメインデータ（IITI-HRFP-GT）と adversarial loss を用いて、エンドツーエンドでモデルを訓練し、ドメイン間の特徴分布を一致させる。
• ドメインアドバーシャルトレーニングを活用することで、ドメインシフトを最小限に抑えつつ、タスク固有（毛孔検出）の性能を維持する。
• 検出された毛孔の局所化精度を向上させるために、マルチスケール損失関数を活用する。
• 実世界の展開を想定し、公開の高解像度指紋データセットを用いたクロスセンサー評価により、モデルの性能を検証する。

実験結果

リサーチクエスチョン

• RQ1 既存の学習ベースの毛孔検出手法のドメイン適応性は、異なる指紋センサー間でどのように変動するか？
• RQ2 自己教師付きドメイン適応は、未観測のセンサードメインに一般化するための毛孔検出モデルの性能を向上させることができるか？
• RQ3 提案手法であるDeepDomainPoreのクロスセンサー毛孔検出性能は、最先端手法と比較してどのように評価されるか？
• RQ4 勾配反転層は、検出精度を維持したまま、センサードメイン間の特徴分布をどれほど効果的に一致させることができるか？

主な発見

• 提案手法であるDeepDomainPoreは、公開の高解像度指紋データセットを用いたクロスセンサー状況において、88.12%の真陽性検出率を達成した。
• 同じクロスセンサー評価において、Fスコアは83.82%を記録し、精度と再現率の両面で優れた性能を示した。
• 1000 dpi解像度と地面真の毛孔座標を備えた自社内データセットIITI-HRFP-GTは、毛孔検出モデルの信頼性ある学習と評価を可能にした。
• 既存の学習ベースの毛孔検出手法はドメイン一般化性能に劣っており、ドメイン適応技術の導入の必要性が浮き彫りになった。
• 勾配反転層の統合により、ドメイン整合性が顕著に向上し、結果としてクロスセンサー性能が向上した。
• DeepDomainPoreは、既存の学習ベース手法を上回り、クロスセンサー環境において新たな最先端の性能を確立した。