[論文レビュー] Deep Learning for Iris Recognition: A Review

Yimin Yin, Siliang He+4 more|arXiv (Cornell University)|Mar 15, 2023

Biometric Identification and Security被引用数 11

ひとこと要約

2016–2022年の iris 認識における深層学習アプローチの包括的な総説で、同定、セグメンテーション、プレゼンテーション攻撃検出、局在化を網羅。データセットと課題を詳述。

ABSTRACT

Iris recognition is a secure biometric technology known for its stability and privacy. With no two irises being identical and little change throughout a person's lifetime, iris recognition is considered more reliable and less susceptible to external factors than other biometric recognition methods. Unlike traditional machine learning-based iris recognition methods, deep learning technology does not rely on feature engineering and boasts excellent performance. This paper collects 120 relevant papers to summarize the development of iris recognition based on deep learning. We first introduce the background of iris recognition and the motivation and contribution of this survey. Then, we present the common datasets widely used in iris recognition. After that, we summarize the key tasks involved in the process of iris recognition based on deep learning technology, including identification, segmentation, presentation attack detection, and localization. Finally, we discuss the challenges and potential development of iris recognition. This review provides a comprehensive sight of the research of iris recognition based on deep learning.

研究の動機と目的

• iris 認識を安定した安全な生体認証モダリティとして動機付け、フレーム化し、深層学習が従来の手作業特徴よりどのように改善するかを評価する。
• 広く用いられる iris データセットとその特徴を網羅・分析し、DL ベースの研究を導く。
• iris 認識の主要タスク（同定、セグメンテーション、PAD、局在化）にまたがる深層学習アプローチを要約し、アーキテクチャと学習戦略を比較する。
• DL ベースの iris 認識における現在の課題を特定し、将来の研究方向性を提案する。

提案手法

• 2016–2022年に発表された iris 認識の深層学習に関する論文 120 件の系統的レビュー。
• iris 認識タスクを同定、セグメンテーション、プレゼンテーション攻撃検出（PAD）、局在化の分類法に整理。
• セグメンテーションに用いられるネットワークアーキテクチャ（FCN、U-Net）や特徴抽出（AlexNet、DenseNet、ResNet、カスタムネットワーク）についての議論。
• DL 評価におけるデータセット（IITD、UBIRIS.v2、ND-IRIS-0405、CASIA 系列、その他）とその役割の分析。
• マッチング/分類アプローチ（SVM、KNN、HD、コサイン、ユークリッド）と手作業特徴と DL 特徴の融合の総合。
• データセットの偏り、変動、プレゼンテーション攻撃の問題などの課題を強調し、今後の研究方向を提案。

実験結果

リサーチクエスチョン

• RQ1 最も影響力のあるデータセットは何で、DL ベースの iris 認識研究をどう支えるのか。
• RQ2 iris の同定、セグメンテーション、PAD、局在化に対して、エンドツーエンド vs 非エンドツーエンドのどの DL アーキテクチャと処理パイプラインが用いられているか。
• RQ3 従来の手作業特徴や古典的分類器と比較して、DL 手法は iris 同定でどの程度性能を発揮しているか。
• RQ4 DL を iris 認識へ適用する際の主な課題と未解決の研究方向は何か。

主な発見

• DL 手法は高レベルの iris 表現を自動的に学習し、特徴抽出タスクで手作業特徴を上回ることが多い。
• DenseNet ベースの特徴が高い精度を達成（例：LG2200 の第六層で 98.7%、CASIA-Iris-Thousand の第五層で 98.8%）。
• 適切なデータセットで CNN ベースの特徴抽出と分類器の組み合わせは高い性能を発揮し、例として CASIA-Iris-Thousand の ResNet-50 特徴と PCA で 96.41% ACC、IITD で別の研究で 99.4% RR。
• 非エンドツーエンドの iris 識別アプローチは依然として前処理、特徴抽出、マッチングの手順に依存し、SVM、HD、コサイン類似度、MLP が一般的な分類器/マッチャとして用いられる。
• いくつかの公共 iris データセットが DL 研究で広く用いられており、IITD、UBIRIS.v2、ND-IRIS-0405、MICHE-I、CASIA-V4 系列、Clarkson、Warsaw、Notre Dame、IIITD-WVU など。
• 本総説は DL ベースの iris 認識タスクの構造化された概要を提供し、データセット、セグメンテーション、PAD、局在化、エンドツーエンド学習といった現在のギャップと将来の方向性を浮き彫りにしている。