[論文レビュー] End-to-End Fingerprints Liveness Detection using Convolutional Networks with Gram module

Eunsoo Park, Xuenan Cui+2 more|arXiv (Cornell University)|Mar 21, 2018

Biometric Identification and Security参考文献 17被引用数 15

ひとこと要約

本論文は、複数の層からのグラム行列を介して抽出されたテクスチャ特徴を活用し、ファングリップの生体反応検出のための新規グラムモジュールを備えたエンド・ツー・エンド畳み込みニューラルネットワーク（CNN）を提案する。モデルは、LivDet 2011、2013、2015ベンチマークにおいて平均2.61%の誤差率を達成し、パrameterが約1.2MBにとどまるため、本物の指紋と偽物の指紋を区別する上で高い効率性と正確性を示している。

ABSTRACT

This paper proposes an end-to-end CNN(Convolutional Neural Networks) model that uses gram modules with parameters that are approximately 1.2MB in size to detect fake fingerprints. The proposed method assumes that texture is the most appropriate characteristic in fake fingerprint detection, and implements the gram module to extract textures from the CNN. The proposed CNN structure uses the fire module as the base model and uses the gram module for texture extraction. Tensors that passed the fire module will be joined with gram modules to create a gram matrix with the same spatial size. After 3 gram matrices extracted from different layers are combined with the channel axis, it becomes the basis for categorizing fake fingerprints. The experiment results had an average detection error of 2.61% from the LivDet 2011, 2013, 2015 data, proving that an end-to-end CNN structure with few parameters that is able to be used in fake fingerprint detection can be designed.

研究の動機と目的

• 本物と偽物の指紋を区別できる、正確で効率的なコンパクトなエンド・ツー・エンドのディープラーニングモデルを開発すること。
• 特にグラム行列を通じたテクスチャベースの特徴が、本物と偽物の指紋を区別するのに有効であるかを検証すること。
• 高い検出性能を維持しつつ、パrameter数を最小限に抑えるCNNアーキテクチャを設計すること。
• ファイアモジュールベースのCNNにグラムモジュールを統合し、テクスチャ表現学習を強化すること。
• 複数のベンチマークデータセット（LivDet 2011、2013、2015）におけるモデルの汎化性能を検証すること。

提案手法

• 階層的特徴を効率的に抽出するために、ベースのCNNアーキテクチャとしてファイアモジュールを用いる。
• 特定の畳み込み層の後にグラムモジュールを挿入し、テクスチャ情報を捉えるグラム行列を計算する。
• 3つの異なる層からのグラム行列をチャネル次元に沿って連結し、統一されたテクスチャ表現を形成する。
• 連結された特徴マップを最終分類器の入力として使用し、本物／偽物の指紋分類を実行する。
• 標準的な交差エントロピー損失関数を用いて、ネットワーク全体をエンド・ツー・エンドで訓練する。
• グラムモジュールは、チャネル間の特徴マップの内積を計算し、空間的テクスチャパターンを保持する。

実験結果

リサーチクエスチョン

• RQ1 最小限のパrameter数で、指紋の生体反応検出において高い正確性を達成できる軽量CNNは可能か？
• RQ2 グラム行列を介したテクスチャベースの特徴表現は、本物と偽物の指紋を区別するのに有効か？
• RQ3 ファイアモジュールベースのアーキテクチャにグラムモジュールを統合することで、検出性能が向上し、モデル効率を維持できるか？
• RQ4 提案されたモデルは、多様な指紋の生体反応検出ベンチマークでどれほど汎化性能を示すか？
• RQ5 グラムモジュールを備えたエンド・ツー・エンド訓練戦略は、従来のハンドクラフトされたテクスチャ手法を上回るか？

主な発見

• 提案モデルは、LivDet 2011、2013、2015データセットの平均検出誤差率が2.61%であった。
• モデルはわずか約1.2MBのパrameter数にとどまり、高いパラメータ効率性を示している。
• グラムモジュールの統合により、テクスチャ表現が顕著に向上し、検出正確性が向上した。
• エンド・ツー・エンドの訓練戦略により、ハンドクラフトされたコンponentsなしに効果的な特徴学習が可能になった。
• 複数のベンチマークデータセットにわたる強い汎化性能を示し、スプーフィング手法の変動に対しても頑健であることが示された。
• 複数の層からのグラム行列の使用により、最終的な特徴表現の識別力が向上した。