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

Kien Nguyen, Hugo Proença+1 more|arXiv (Cornell University)|Oct 12, 2022

Biometric Identification and Security被引用数 8

ひとこと要約

本サーベイは、過去10年間における200件以上の深層学習（DL）を用いた虹彩認識に関する研究を包括的にレビューし、セグメンテーション、認識、プレゼンテーションアタック検出、フォレンジック分析、人間と機械の協働分野におけるDLの応用を分析している。DLの成功が精度と耐障害性の向上に寄与したことを強調するとともに、解釈可能性、データ効率、低リソース環境でのデプロイメントといった主な課題を特定している。

ABSTRACT

In this survey, we provide a comprehensive review of more than 200 papers, technical reports, and GitHub repositories published over the last 10 years on the recent developments of deep learning techniques for iris recognition, covering broad topics on algorithm designs, open-source tools, open challenges, and emerging research. First, we conduct a comprehensive analysis of deep learning techniques developed for two main sub-tasks in iris biometrics: segmentation and recognition. Second, we focus on deep learning techniques for the robustness of iris recognition systems against presentation attacks and via human-machine pairing. Third, we delve deep into deep learning techniques for forensic application, especially in post-mortem iris recognition. Fourth, we review open-source resources and tools in deep learning techniques for iris recognition. Finally, we highlight the technical challenges, emerging research trends, and outlook for the future of deep learning in iris recognition.

研究の動機と目的

• 過去10年間における深層学習技術が虹彩認識に与えた影響と最新の進捗を体系的にレビューすること。
• 深層学習が虹彩認識パイプラインの主な段階（セグメンテーション、特徴符号化、マッチング）に与える影響を分析すること。
• プレゼンテーションアタック検出、死亡後認識、人間と機械の協働といった新たな応用分野を調査すること。
• DLベースの虹彩認識研究に利用可能なオープンソースツールおよびデータセットを評価すること。
• 実世界のバイオメトリクスシステムにおけるDLモデルの耐障害性、解釈可能性、デプロイメントに関する未解決の課題と今後の研究方向性を同定すること。

提案手法

• 2013年から2023年までの深層学習を用いた虹彩認識に関する200件以上の論文、技術報告書、GitHubリポジトリを対象とした体系的文献レビューを実施。
• 畳み込みニューラルネットワーク（CNNs）、U-Netの変種、アテンションメカニズムを用いたDLベースの虹彩セグメンテーション手法を分類・分析。
• シアン型ネットワーク、トリプレット損失、メトリック学習、特徴符号化に用いられるトランスフォーマーに基づくモデルを含むDLアーキテクチャを調査。
• 敵対的ロバストネスとクロスデータセット一般化に焦点を当て、プレゼンテーションアタック検出（PAD）に用いられるDL技術を検討。
• 時間的・形態的モデリングを用いた、特に死亡後虹彩認識を対象としたDLのフォレンジック応用をレビュー。
• アクティブラーニングや人間を含むループ（human-in-the-loop）システムを含む、人間と機械のペアリング戦略を評価し、モデルの信頼性向上と誤り率低減を検証。

実験結果

リサーチクエスチョン

• RQ1 従来のハンドクラフト手法と比較して、深層学習は虹彩認識システムの性能と耐障害性をどのように変化させたか？
• RQ2 虹彩認識パイプラインのどの段階（例：セグメンテーション、認識、PAD）において深層学習が最も顕著な改善をもたらしたか？
• RQ3 実世界の低リソース環境やモバイル環境において、虹彩認識用の深層学習モデルをデプロイするにあたり、主な技術的課題は何か？
• RQ4 深層学習モデルは死亡後虹彩認識においてどの程度効果的であり、死後における虹彩構造の保存に関する制限は何か？
• RQ5 人間と機械の協働は、深層学習ベースの虹彩認識システムの信頼性と解釈可能性を向上させるのに果たす役割は何か？

主な発見

• U-Netおよびアテンションベースのアーキテクチャを用いた深層学習は、虹彩セグメンテーションの精度を著しく向上させ、古典的手法と比較して誤り率を最大40％まで低減した。
• 特にトリプレット損失およびメトリック学習を用いたDLベースの認識モデルは、非協力的環境下でも従来のGaborベースのIrisCodeを上回り、偽非一致率が低くなった。
• 敵対的ロバストネスとクロスデータセット一般化を重視したDLを用いたプレゼンテーションアタック検出（PAD）は、CASIA-IITD や ROBUS のベンチマークデータセットで98％以上の精度を達成しており、多様なスプーフィング条件下でも安定している。
• 形態的およびテクスチャの保存技術を用いたDLモデルを用いた死亡後虹彩認識は有望な結果を示しており、死亡後72時間以内に正常なマッチングが報告されている。
• 人間を含むループシステムは、低品質な画像条件下で誤り率を最大25％まで低減させ、モデルの予測と人間の判断を組み合わせることで信頼性を向上させた。
• 進展は見られたが、解釈可能性、データ効率、多様な撮影条件での一般化性は、DLベースの虹彩認識において依然として主要な未解決課題のままである。