[論文レビュー] Fingerprint Spoof Generalization

Tarang Chugh, Anil K. Jain|arXiv (Cornell University)|Dec 5, 2019

Biometric Identification and Security参考文献 51被引用数 10

ひとこと要約

本論文は、未知の素材に対する一般化性能を向上させるために、既知の素材からスプーフ指紋画像を合成するスタイル変換ベースのラッパー、Universal Material Generator (UMG) を提案する。スプーフ画像間でのテクスチャスタイルの転送と、合成ライブ画像によるデータ拡張により、最先端の検出器の一般化性能を12素材のデータセット上で0.2% FDRにおけるTDR 75.24%から91.78%まで向上させた。データ要件は最小限に抑えられている。

ABSTRACT

We present a style-transfer based wrapper, called Universal Material Generator (UMG), to improve the generalization performance of any fingerprint spoof detector against spoofs made from materials not seen during training. Specifically, we transfer the style (texture) characteristics between fingerprint images of known materials with the goal of synthesizing fingerprint images corresponding to unknown materials, that may occupy the space between the known materials in the deep feature space. Synthetic live fingerprint images are also added to the training dataset to force the CNN to learn generative-noise invariant features which discriminate between lives and spoofs. The proposed approach is shown to improve the generalization performance of a state-of-the-art spoof detector, namely Fingerprint Spoof Buster, from TDR of 75.24% to 91.78% @ FDR = 0.2%. These results are based on a large-scale dataset of 5,743 live and 4,912 spoof images fabricated using 12 different materials. Additionally, the UMG wrapper is shown to improve the average cross-sensor spoof detection performance from 67.60% to 80.63% when tested on the LivDet 2017 dataset. Training the UMG wrapper requires only 100 live fingerprint images from the target sensor, alleviating the time and resources required to generate large-scale live and spoof datasets for a new sensor. We also fabricate physical spoof artifacts using a mixture of known spoof materials to explore the role of cross-material style transfer in improving generalization performance.

研究の動機と目的

• トレーニング中に存在しなかった新しいスプーフ素材に対して、指紋スプーフ検出器が失敗するという課題に対処すること。
• センサー固有の大量のライブおよびスプーフデータセットの必要性を減らし、データ効率の良い一般化を可能にすること。
• 異なる素材間のスタイル変換が、物理的に混合されたスプーフ素材に対する検出性能を向上させるかどうかを調査すること。
• 合成データ拡張を用いて、多様なセンサーおよび素材において指紋スプーフ検出器の耐性を強化すること。

提案手法

• Universal Material Generator (UMG) ラッパーは、ニューラルスタイル変換を用いて既知のスプーフ素材のテクスチャ特徴を転送し、未知の素材の合成スプーフ画像を生成する。
• 本手法は、あるスプーフ素材のスタイルを別の素材のコンテンツに転送することで、既知の素材間の深層特徴空間における内挿を効果的に実現する。
• 合成ライブ指紋画像を生成し、トレーニングデータに追加することで、CNNが生成ノイズに対して不変な特徴を学習するのを促進し、本物対スプーフの識別性能を向上させる。
• UMGは、ターゲットセンサーあたり100枚のライブ指紋画像のみでトレーニングされるため、データ収集コストが顕著に削減される。
• 物理的スプーフアーティファクトは、既知の素材（例：シリコーンとラテックス）の混合物を用いて作成され、異なる素材間の一般化性能を評価する。
• 本手法は、12素材の合計5,743枚のライブおよび4,912枚のスプーフ画像を含む大規模データセット、およびクロスセンサー性能を評価するLivDet 2017ベンチマークで評価されている。

実験結果

リサーチクエスチョン

• RQ1 既知のスプーフ素材間でのスタイル変換により、未知の素材への一般化性能を向上させる合成スプーフ画像を生成できるか？
• RQ2 合成ライブ画像によるトレーニングの拡張が、生成ノイズに対する耐性を高め、スプーフ検出性能を向上させるか？
• RQ3 異なる素材間のスタイル変換は、トレーニング中に存在しなかった物理的に混合されたスプーフ素材に対する検出性能をどの程度向上させるか？
• RQ4 UMGのような軽量ラッパーは、最小限のラベル付きデータで、センサー間での一般化性能を顕著に向上させられるか？

主な発見

• UMGラッパーにより、Fingerprint Spoof Busterの一般化性能が12素材のスプーフデータセット上で0.2% FDRにおけるTDR 75.24%から91.78%まで向上した。
• 本手法により、LivDet 2017ベンチマークにおける平均クロスセンサーのスプーフ検出性能が67.60%から80.63%まで向上した。
• シリコーンとラテックスのボディペイントで作成された物理的混合スプーフに対して、UMGで生成された合成スプーフで微調整した後、TDRが83.33%から95.83%まで向上した。
• UMGは、1センサーあたり100枚のライブ指紋画像でのみトレーニング可能であり、データ収集およびアノテーションコストを顕著に削減した。
• 3D t-SNE可視化により、UMGで生成されたスプーフ画像の特徴埋め込みが、未知のスプーフ埋め込み（例：ゼラチン）よりも本物のスプーフ埋め込みに近いことが確認され、一般化性能の向上が示された。
• 素材の混合物から作成された物理的スプーフアーティファクトは、異なる素材間のスタイル変換が、未確認のスプーフタイプのための関連性のあるトレーニングデータを効果的に生成できることを示している。