[論文レビュー] Deep Learning for Finger Vein Recognition: A Brief Survey of Recent Trend

Renye Zhang, Yimin Yin+3 more|arXiv (Cornell University)|Jul 5, 2022

Biometric Identification and Security被引用数 6

ひとこと要約

本サーベイは2017年から2021年までの46件の深層学習（DL）ベースの指紋静脈認識（FVIR）研究をレビューし、分類、特徴抽出、画像強調などのニューラルネットワークのタスク別に分類している。主なDLアーキテクチャとしてResNet、GAN、キャプセルネットワークを特定し、最先端のパフォーマンス（例：EEREが0.00、ACCが99.98%）を報告するとともに、照明の変動や軽量デバイスへのデプロイの課題を明らかにし、今後の方向性として知識蒸留と指紋静脈の異種指間類似性を提案している。

ABSTRACT

Finger vein image recognition technology plays an important role in biometric recognition and has been successfully applied in many fields. Because veins are buried beneath the skin tissue, finger vein image recognition has an unparalleled advantage, which is not easily disturbed by external factors. This review summarizes 46 papers about deep learning for finger vein image recognition from 2017 to 2021. These papers are summarized according to the tasks of deep neural networks. Besides, we present the challenges and potential development directions of finger vein image recognition.

研究の動機と目的

• 2017年から2021年までの指紋静脈認識（FVIR）における深層学習に関する46件の最近の研究を体系的に要約すること。
• 分類、特徴抽出、画像強調、セグメンテーション、暗号化を含む、深層ニューラルネットワークが実行する主なタスクに基づいてこれらの研究を分類すること。
• FVIRで使用された主要な深層学習アーキテクチャ（例：ResNet、GAN、キャプセルネットワーク）を特定し、標準データセット上でそのパフォーマンスを評価すること。
• 不均一な照明、画像のずれ、プレゼンテーション攻撃などのFVIRにおける継続的な課題を分析し、モバイルデバイスへの実用的デプロイの問題を検討すること。
• 今後の研究方向性として、軽量デバイスへのデプロイに適した知識蒸留と、同一人物の異なる指間での静脈パターン類似性の調査を提案すること。

提案手法

• 本サーベイは、IEEE、Springer、Elsevier、Google Scholarから選別された46編の査読済み論文を分析しており、キーワードとして「finger vein image analysis」と「(deep learning OR neural network OR CNN OR GAN OR LSTM OR RNN OR autoencoder)」を用いて抽出した。
• 論文は、深層ニューラルネットワークの主なタスク（分類、特徴抽出、画像強調、画像セグメンテーション、暗号化）に基づいて分類された。
• EER（等誤差率）、ACC（正答率）、APCER/BPCER（攻撃プレゼンテーション分類誤差率）、PSNR、SSIMといったパフォーマンス指標を用いて、手法の評価と比較が行われた。
• 一般的に使用されるデータセットには、FV-USM、HKPU、MMCBNU-6000、SDUMLA-HMT、UTFVP、THU-FVFDT2があり、画像数と解像度が異なる。
• 主な深層学習モデルとして、AlexNet、ResNet（例：ResNet-50、ResNet-101）、GAN、DenseNet-161、SqueezeNet、および注目メカニズムを備えたネットワーク（例：FVRASNet、JAFVNet）がレビューされた。
• 知識蒸留、ハードマイニングを伴うトリプレット損失、注目メカニズムといった技術の有効性が、認識精度とモデル効率の向上に寄与することを評価した。

実験結果

リサーチクエスチョン

• RQ1 2017年から2021年の間、指紋静脈認識タスクにおいて、どの深層ニューラルネットワークアーキテクチャが最高のパフォーマンスを示したか？
• RQ2 GAN、注目モジュール、オートエンコーダーといった異なる深層学習技術は、FVIRにおける画像強調、セグメンテーション、特徴抽出にどのように寄与しているか？
• RQ3 FVIRにおいて、特に画像品質の劣化やプレゼンテーション攻撃に関連する、最も根強い技術的課題は何か？
• RQ4 同一人物の異なる指の静脈パターンは信頼性を持ってマッチング可能か？異種指間類似性を裏付ける証拠は何か？
• RQ5 実世界のFVIRアプリケーションで使用される軽量モバイルデバイスへのデプロイに最適化された深層学習モデルは、どのように最適化できるか？

主な発見

• ResNet-50はHKPUデータセットで98.64%の正答率を達成し、分類タスクにおける優れたパフォーマンスを示した。
• 二本のブランチを持つCNNはFV-USMデータセットでEERが0.00%に達し、特定の条件下でほぼ完璧な認識性能を示した。
• ハードネガティブマイニングを伴うトリプレット損失の適用により、対になる手の同じ種類の指（対称的指）を識別するモデルが99.13%の正答率を達成し、異種指間類似性の妥当性を確認した。
• 知識蒸留は、軽量モバイル端末への大規模モデルのデプロイを可能にする有効な手法であると特定され、実用的応用性の向上に寄与した。
• GANベースの手法は、SDUMLA-HMTデータセットでPSNRが30.42、SSIMが98.85を達成し、低品質画像の効果的回復を示した。
• GNNベースのモデルはFV-USMデータセットで99.98%の正答率を達成し、グラフニューラルネットワークがFVIRにおいて潜在的な可能性を秘めていることを示唆したが、これまでの利用は限定的であった。