[論文レビュー] DeepIrisNet2: Learning Deep-IrisCodes from Scratch for Segmentation-Robust Visible Wavelength and Near Infrared Iris Recognition

Abhishek Gangwar, Akanksha Joshi+2 more|arXiv (Cornell University)|Feb 6, 2019

Biometric Identification and Security参考文献 35被引用数 6

ひとこと要約

DeepIrisNet2 は、古典的な虹彩正規化や高精度なセグメンテーションに依存せずに、完全に新しいアプローチで判別的なディープ虹彩コードを学習するディープラーニングフレームワークを導入している。空間変換層とマルチスケールの監視を統合することで、可視光および近赤外（NIR）虹彩データセットにおいてセグメンテーションに頑健な性能を発揮し、ND-IRIS-0405、UBIRIS.v2、MICHE-I、CASIA v4 Intervalベンチマークで、先行手法を上回る最先端の精度を達成した。

ABSTRACT

We first, introduce a deep learning based framework named as DeepIrisNet2 for visible spectrum and NIR Iris representation. The framework can work without classical iris normalization step or very accurate iris segmentation; allowing to work under non-ideal situation. The framework contains spatial transformer layers to handle deformation and supervision branches after certain intermediate layers to mitigate overfitting. In addition, we present a dual CNN iris segmentation pipeline comprising of a iris/pupil bounding boxes detection network and a semantic pixel-wise segmentation network. Furthermore, to get compact templates, we present a strategy to generate binary iris codes using DeepIrisNet2. Since, no ground truth dataset are available for CNN training for iris segmentation, We build large scale hand labeled datasets and make them public; i) iris, pupil bounding boxes, ii) labeled iris texture. The networks are evaluated on challenging ND-IRIS-0405, UBIRIS.v2, MICHE-I, and CASIA v4 Interval datasets. Proposed approach significantly improves the state-of-the-art and achieve outstanding performance surpassing all previous methods.

研究の動機と目的

• 古典的な虹彩正規化や高精度なセグメンテーションを必要としないディープラーニングフレームワークを構築すること。
• 可視光および近赤外（NIR）虹彩認識におけるセグメンテーション誤差や画像の変形に対して、より高い耐性を持つフレームワークの開発。
• ディープ虹彩セグメンテーションネットワークの学習と評価に使用可能な大規模で公開可能な手動ラベル付データセットの作成。
• 学習されたディープ表現から、効率的なテンプレート保存と照合を可能にするコンパクトなバイナリ虹彩コードの生成。
• 非理想な条件下で、複数の挑戦的な虹彩認識ベンチマークにおいて、既存の最先端手法を上回る性能を達成すること。

提案手法

• 二重のCNNパイプラインを採用：一つは虹彩および虹彩の輪郭ボックスを検出するためのもので、もう一つは虹彩領域のピクセル単位のセマンティックセグメンテーションを実行するためのもの。
• 空間変換層をネットワークに統合し、幾何的歪みを自動で補正し、虹彩の形状や方向の変化に対応できるようにした。
• 中間層の後に監視ブランチを追加することで、深層構造における訓練の安定化と過学習の低減を図った。
• 学習されたディープ特徴から直接得られる新しい戦略により、効率的な照合を可能にするコンパクトなバイナリ虹彩コードを生成した。
• ボックス検出およびテクスチャセグメンテーションのための大規模な手動ラベル付データセットを用いて、ネットワークをエンド・トゥ・エンドで完全に新しい状態から訓練した。
• フレームワークは、非理想な撮影条件下で、4つのベンチマークデータセット（ND-IRIS-0405、UBIRIS.v2、MICHE-I、CASIA v4 Interval）に対して評価された。

実験結果

リサーチクエスチョン

• RQ1 古典的な虹彩正規化や高精度なセグメンテーションに依存せずに、ディープラーニングフレームワークが頑健なディープ虹彩コードを学習できるか。
• RQ2 空間変換層の統合が、虹彩画像における幾何的変形の処理にどの程度効果的か。
• RQ3 マルチスケールの監視ブランチは、深層虹彩認識モデルにおける訓練の安定性と一般化性能をどの程度向上させるか。
• RQ4 教師なしセグメンテーションデータを用いずに、二重CNNパイプラインが虹彩および虹彩領域を効果的に検出し、正確なピクセル単位のセグメンテーションを実行できるか。
• RQ5 大規模で手動ラベル付のデータセットを用いて、エンド・トゥ・エンドで完全に新しい状態から訓練することで、可視光およびNIR虹彩認識でどの程度の性能向上が達成できるか。

主な発見

• DeepIrisNet2 は、ND-IRIS-0405、UBIRIS.v2、MICHE-I、CASIA v4 Interval データセットで、すべての先行手法を上回る最先端の性能を達成した。
• フレームワークは、セグメンテーション誤差や画像の変形に対して強く、正確な虹彩正規化がなくても高い精度を維持した。
• 空間変換層の使用により、虹彩の形状や向きの違いに対しても、アライメントと特徴の一貫性が著しく向上した。
• マルチスケールの監視ブランチは、深層構造における過学習の低減と収束の改善に効果を発揮した。
• 提案手法は、判別力があり、照合に効率的なコンパクトなバイナリ虹彩コードを生成でき、実用的導入に適していた。
• 著者らは、虹彩のボックス検出およびテクスチャセグメンテーション用の大規模で手動ラベル付データセットを公開し、今後のディープ虹彩セグメンテーション分野の研究を促進した。