[論文レビュー] FV-UPatches: Enhancing Universality in Finger Vein Recognition

Ziyan Chen, Jiazhen Liu+3 more|arXiv (Cornell University)|Jun 2, 2022

Biometric Identification and Security被引用数 4

ひとこと要約

本論文では、多様な指静脈データ分布を統一されたターゲットドメインにマップする圧縮U-Netを用いて、再訓練を伴わずに異なるデータセット間で展開可能な汎用的指静脈認識フレームワークFV-UPatchesを提案する。本手法は、限られた学習データと一度の学習プロセスで、5つの公開データセットにおいて最先端の性能を達成し、ターゲットドメインにおける局所特徴マッチングに事前学習済みSOSNetを活用する。

ABSTRACT

Many deep learning-based models have been introduced in finger vein recognition in recent years. These solutions, however, suffer from data dependency and are difficult to achieve model generalization. To address this problem, we are inspired by the idea of domain adaptation and propose a universal learning-based framework, which achieves generalization while training with limited data. To reduce differences between data distributions, a compressed U-Net is introduced as a domain mapper to map the raw region of interest image onto a target domain. The concentrated target domain is a unified feature space for the subsequent matching, in which a local descriptor model SOSNet is employed to embed patches into descriptors measuring the similarity of matching pairs. In the proposed framework, the domain mapper is an approximation to a specific extraction function thus the training is only a one-time effort with limited data. Moreover, the local descriptor model can be trained to be representative enough based on a public dataset of non-finger-vein images. The whole pipeline enables the framework to be well generalized, making it possible to enhance universality and helps to reduce costs of data collection, tuning and retraining. The comparable experimental results to state-of-the-art (SOTA) performance in five public datasets prove the effectiveness of the proposed framework. Furthermore, the framework shows application potential in other vein-based biometric recognition as well.

研究の動機と目的

• 異なるデータセット間での深層学習ベースの指静脈認識モデルの一般化性能の低さを、データ分布のズレが原因として是正すること。
• 新しいデータセットやデバイスにモデルを展開する際の、膨大な再訓練やチューニングに依存するのを軽減すること。
• 最小限のデータと一度の学習フェーズで高い性能を維持する汎用フレームワークを開発すること。
• 非指静脈データで学習された記述子モデルを、実際の指静脈認識タスクに転送可能かどうかを検証すること。
• モバイルや組み込みバイオメトリクスシステムに適した、効率的で低遅延な展開を可能にすること。

提案手法

• 圧縮U-Netをドメインマッパーとして用い、生の指静脈画像を分布のズレが最小限となる統一されたターゲット特徴ドメインに変換する。
• 手作業で設計された形状的特徴を監視信号として用い、U-Netを訓練することで、一般化性能を向上させるために従来の静脈パターン抽出関数を近似する。
• ターゲットドメインで局所特徴マッチングに使用するため、事前学習済みSOSNetローカル記述子モデルを採用する。
• 記述子モデルは、貴重な指静脈データを必要としないため、公開の非指静脈データセット上で事前学習することで、代表的な特徴を保証する。
• フレームワークは2段階で動作する：まずU-Netによるドメインマッピング、次に統一されたターゲット空間でSOSNetを用いた類似度マッチング。
• パイプライン全体は一度の学習で完了し、微調整なしに複数のデータセットに再利用可能であり、再訓練なしの展開を実現する。

実験結果

リサーチクエスチョン

• RQ1 深層学習ベースのフレームワークが、再訓練を伴わず多様な指静脈データセットで汎用的な性能を達成できるか。
• RQ2 圧縮U-Netが、異なる指静脈データ分布を共通の特徴空間に統一するドメインマッパーとしてどれほど効果的か。
• RQ3 非指静脈データで学習された局所記述子モデルが、指静脈認識タスクにどれほど一般化可能か。
• RQ4 提案フレームワークにおける計算効率、メモリ使用量、認識精度のトレードオフはどの程度か。
• RQ5 実世界の展開シナリオを模倣するクロスセッション評価において、フレームワークが高い性能を維持できるか。

主な発見

• FV-UPatchesフレームワークは、一度の学習フェーズで5つの公開指静脈データセットにおいて最先端の性能を達成し、再訓練は一切不要である。
• システムは強力なクロスセッション一般化性能を示し、最大6か月の時間隔をあけて収集された画像ペアに対しても効果的に機能する。
• 推論時間は1サンプルあたり129msで、静脈パターン抽出に38ms、認識に91msを要し、リアルタイム展開に適した高い効率性を示している。
• メモリ使用量は1.73Mパラメータと極めて少なく、VGG16、ResNet-152、DenseNet-161よりも顕著に低いため、エッジデバイスへの展開性が向上する。
• 感度分析の結果、縮小ウィンドウサイズ（c）を増加させると性能はわずかに低下するが、実行時間が改善され、より大きなキーポoinスケール（ks）はノイズを導入し、マッチング精度を低下させる。
• フレームワークは多様なデータセットで高い性能を維持しており、その汎用性と、クロスデバイスおよびクロスバイオメトリクス応用への潜在的応用可能性を裏付けている。