[論文レビュー] DeepIris: Iris Recognition Using A Deep Learning Approach

Shervin Minaee, AmirAli Abdolrashidi|arXiv (Cornell University)|Jul 22, 2019

Biometric Identification and Security参考文献 26被引用数 43

ひとこと要約

本論文は、事前学習済みの ResNet50 モデルを用いたエンドツーエンドの転移学習ベースの虹彩認識システムを提案し、IIT Delhi の虹彩データで微調整を行い、few-shot 学習で高精度を達成するとともに、重要な虹彩領域の顕在性を視覚化する。

ABSTRACT

Iris recognition has been an active research area during last few decades, because of its wide applications in security, from airports to homeland security border control. Different features and algorithms have been proposed for iris recognition in the past. In this paper, we propose an end-to-end deep learning framework for iris recognition based on residual convolutional neural network (CNN), which can jointly learn the feature representation and perform recognition. We train our model on a well-known iris recognition dataset using only a few training images from each class, and show promising results and improvements over previous approaches. We also present a visualization technique which is able to detect the important areas in iris images which can mostly impact the recognition results. We believe this framework can be widely used for other biometrics recognition tasks, helping to have a more scalable and accurate systems.

研究の動機と目的

• 虹彩認識の特徴を学習し、分類を jointly 行うエンドツーエンドの深層学習フレームワークを実証する。
• 事前学習済みCNN（ResNet50）を微調整することで、クラスごとのサンプル数が限られていても高い精度を達成できることを示す。
• 認識に影響を与える重要な虹彩領域の視覚化を提供する。
• IIT Delhi の虹彩データセットで評価し、従来法と比較する。
• ラベル付きデータが限られた他の生体認証タスクへのフレームワークの適用性を強調する。

提案手法

• IIT Delhi 虹彩データセットで事前学習済み ResNet50 モデルを微調整する。
• 最後のレイヤを虹彩クラス数に合わせて置換し、クロスエントロピー損失で訓練する。
• 最終層の重みに対して L2 正則化を組み込み、過学習を抑制する（L_final = L_class + lambda1 ||W_fc||^2_F）。
• Nvidia Tesla GPU を用いて 100 エポック訓練し、バッチサイズ 24 と学習率 0.0002 の Adam オプティマイザを使用する。
• ネットワーク入力前にすべての虹彩画像を 224x224 にダウンサンプリングする。
• PyTorch でアプローチを実装し、保持されたテストセットで評価を行う。

実験結果

リサーチクエスチョン

• RQ1 ImageNet 事前学習ネットワークからの転移学習は、クラスごとのサンプルが少ない場合でも高精度の虹彩認識を実現できるか。
• RQ2 ResNet50 の微調整は、IIT Delhi データに対する従来の虹彩認識法と比較してどうか。
• RQ3 深層学習ベースの認識に最も影響を与える虹彩画像の領域はどこか（顕在性視覚化）？

主な発見

手法	精度率
Multiscale Morphologic Features	87.94%
The proposed algorithm	95.5%

• 提案された ResNet50 ベースの手法は IIT Delhi 虹彩データセットで 95.5% の認識精度を達成し、引用された先行手法（Multiscale Morphologic Features が 87.94%）を上回る。
• 各クラスあたりの学習サンプルが少ない状況でも効果的に学習できる（few-shot 学習シナリオ）。
• 転移学習による畳み込み特徴学習は、このデータセットで虹彩認識の従来の手作り特徴よりも優れた性能を示す。
• オクルージョンベースの顕在性手法により虹彩領域の多くが認識にとって重要であることが特定され、モデルの解釈性を支持する。
• このフレームワークはラベル付きデータが限られた他の生体認証にも適用可能で、スケーラブルで高精度な認識の可能性を示す。