[論文レビュー] Fingerprint Classification Based on Depth Neural Network

Ruxin Wang, Congying Han+2 more|arXiv (Cornell University)|Sep 18, 2014

Biometric Identification and Security参考文献 5被引用数 38

ひとこと要約

本稿では、方向場特徴を学習するためのスタックドスパースオートエンコーダーを用いた深層学習ベースの指紋分類手法を提案する。その後、独自のファジィ分類戦略を用いたソフトマックス回帰を実施する。この手法は、0.95の確率閾値で98.0%の精度を達成し、上位2つのクラススコアの確率的統合により誤分類を低減することで、標準的手法を顕著に上回る性能を発揮する。

ABSTRACT

Fingerprint classification is an effective technique for reducing the candidate numbers of fingerprints in the stage of matching in automatic fingerprint identification system (AFIS). In recent years, deep learning is an emerging technology which has achieved great success in many fields, such as image processing, natural language processing and so on. In this paper, we only choose the orientation field as the input feature and adopt a new method (stacked sparse autoencoders) based on depth neural network for fingerprint classification. For the four-class problem, we achieve a classification of 93.1 percent using the depth network structure which has three hidden layers (with 1.8% rejection) in the NIST-DB4 database. And then we propose a novel method using two classification probabilities for fuzzy classification which can effectively enhance the accuracy of classification. By only adjusting the probability threshold, we get the accuracy of classification is 96.1% (setting threshold is 0.85), 97.2% (setting threshold is 0.90) and 98.0% (setting threshold is 0.95). Using the fuzzy method, we obtain higher accuracy than other methods.

研究の動機と目的

• 指紋分類の精度を向上させることを目的とし、教師なし特徴学習に深層ニューラルネットワークを活用する。
• ノイズや誤差に敏感な手作業による特徴量や特徴点検出に依存するのを減らすこと。
• 複数の確率スコアに基づくファジィ分類手法を導入することで、分類のロバスト性を向上させること。
• 実世界のAFISへの展開を想定し、計算コストを最小限に抑えた高精度分類を達成すること。

提案手法

• 特徴点検出を回避するため、指紋画像の方向場を入力として使用する。
• 3層のスタックドスパースオートエンコーダーを用いて教師なし事前学習を行い、階層的かつ低次元の指紋パターン表現を学習する。
• 学習された特徴量を用いてソフトマックス回帰を実施し、4つのクラス（左ループ、右ループ、アーチ、ホーリング）への多クラス分類を実現する。
• 上位2つの予測確率を統合することで、曖昧または誤分類されたサンプルを特定・再分類するファジィ分類戦略を導入する。
• 再検出率を制御し、全体の精度を向上させるために、適応的確率閾値（0.85、0.90、0.95）を設定する。
• 最初の2つの確率スコアの和を新たな条件として用い、以前に誤分類されたサンプルの30%を再回収する。

実験結果

リサーチクエスチョン

• RQ1 スタックドスパースオートエンコーダーを用いた深層ニューラルネットワークは、特徴点に依存せずに方向場から判別性の高い指紋特徴を効果的に学習できるか？
• RQ2 上位2つの予測確率に基づくファジィ分類は、標準的な分類手法と比較して、指紋分類精度をどのように向上させるか？
• RQ3 指紋分類において、精度と再検出率のバランスをとる最適な確率閾値は何か？
• RQ4 2番目に高いクラス確率の和は、誤分類されたサンプルを回収するための信頼できる基準として機能するか？

主な発見

• 提案手法は、NIST-DB4データセットを用いて、3層の隠れ層を持つ標準的な深層ネットワークを用いて93.1%の分類精度を達成した。
• 0.95の閾値を用いたファジィ分類を適用することで、精度は98.0%に向上し、ベースライン手法に顕著な改善を示した。
• 最初の2つの確率スコアの和を回収条件として用いることで、誤分類率が30%低減され、特に曖昧なケースに対して顕著な効果を示した。
• 計算コストを低く保ちながら、疑わしい指紋の2次分類を追加した場合、99%を超える精度を維持した。
• スパースオートエンコーダーによる方向場再構成は、構造的パターンを効果的に保持しており、ノイズや曖昧な状況下でも正確な分類を可能にした。