[論文レビュー] FingerNet: Pushing The Limits of Fingerprint Recognition Using Convolutional Neural Network

Shervin Minaee, Elham Azimi+1 more|arXiv (Cornell University)|Jul 28, 2019

Biometric Identification and Security参考文献 26被引用数 38

ひとこと要約

本論文は、PolyUデータセット上でデータ拡張を用いて事前学習済みのResNet50をファインチューニングしたエンドツーエンドのCNN指紋認識フレームワークを提示し、PolyUでの最先端精度を達成します。さらに顕著な指紋領域を可視化します。

ABSTRACT

Fingerprint recognition has been utilized for cellphone authentication, airport security and beyond. Many different features and algorithms have been proposed to improve fingerprint recognition. In this paper, we propose an end-to-end deep learning framework for fingerprint recognition using convolutional neural networks (CNNs) which can jointly learn the feature representation and perform recognition. We train our model on a large-scale fingerprint recognition dataset, and improve over previous approaches in terms of accuracy. Our proposed model is able to achieve a very high recognition accuracy on a well-known fingerprint dataset. We believe this framework can be widely used for biometrics recognition tasks, making more scalable and accurate systems possible. We have also used a visualization technique to highlight the important areas in an input fingerprint image, that mostly impact the recognition results.

研究の動機と目的

• 深層学習を用いた指紋認識の改善を動機付け、手工設計特徴の限界を克服する。
• 指紋画像から直接表現を学習するエンドツーエンドのCNNフレームワークを提案する。
• 限られたクラスごとのサンプル数を持つ指紋データセットで事前学習済みネットワークをファインチューニングして転移学習を探る。
• 従来法と比較した性能を評価し、指紋画像の影響領域の可視化を提供する。

提案手法

• PolyU指紋データセットで事前学習済みのResNet50 (ImageNet) をデータ拡張付きでファインチューニングする。
• 最後の層を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。
• データ拡張（反転、ランダムクロップ、歪み）を用いて効果的なサンプル数を約3倍増やす。
• 最後の全結合層の重みにL2正則化を適用する：L_final = L_class + lambda1 ||W_fc||_F^2。
• Nvidia Tesla GPU上でAdamオプティマイザ（lr = 0.0001）を用い、バッチサイズ24で100エポック訓練する。
• すべての画像を224x224にダウンサンプリングし、PyTorchで実装する。

実験結果

リサーチクエスチョン

• RQ1 ImageNetで訓練されたCNNからの転移学習は、個体ごとに画像が少ないデータセットで指紋認識を改善できるか。
• RQ2 データ拡張は少数ショット指紋設定での認識精度にどのような影響を与えるか。
• RQ3 提案手法のCNNベースアプローチはPolyU指紋データセットで従来の特徴ベース手法と比較してどうか。
• RQ4 可視化されたサリエンシーマップは、認識結果を推進する指紋領域としてどの領域が最も情報量を持つか。

主な発見

Method	Accuracy Rate
Scattering network	92%
Gabor-wavelet (subset 50 subjects)	95.5%
The proposed algorithm	95.7%

• PolyU指紋データセットで95.7%の精度を達成し、同データセット上の従来法を上回る。
• PolyU上でのScattering Network (92%) および Gabor-wavelet (95.5%) のベースラインを表Iに示す通り上回る。
• データ拡張により訓練サンプル数が約3倍に増加。
• ファインチューニングされた事前学習済みResNet50に調整された最後の層を用いると、強力な認識性能が得られる。
• 視覚的サリエンシーマップは、認識結果を駆動する重要な指紋領域を特定する。