[論文レビュー] GAN pretraining for deep convolutional autoencoders applied to Software-based Fingerprint Presentation Attack Detection

Tobias Rohrer, Jascha Kolberg|arXiv (Cornell University)|May 21, 2021

Biometric Identification and Security被引用数 4

ひとこと要約

本論文は、1クラスの指紋プレゼンテーション攻撃検出（PAD）のための、Wasserstein GANを用いた新しい転移学習手法を提案する。本手法は、攻撃サンプルを一切使用せず、唯一1,122個の本物の指紋サンプルのみを用いて、平均分類誤差率16.79%を達成した。この方法により、限られた実データからの強固な特徴抽出が可能となり、GANを用いて合成された指紋パッチをデータ拡張およびモデル事前学習に活用できる。

ABSTRACT

The need for reliable systems to determine fingerprint presentation attacks grows with the rising use of the fingerprint for authentication. This work presents a new approach to single-class classification for software-based fingerprint presentation attach detection. The described method utilizes a Wasserstein GAN to apply transfer learning to a deep convolutional autoencoder. By doing so, the autoencoder could be pretrained and finetuned on the LivDet2021 Dermalog sensor dataset with only 1122 bona fide training samples. Without making use of any presentation attack samples, the model could archive an average classification error rate of 16.79%. The Wasserstein GAN implemented to pretrain the autoencoders weights can further be used to generate realistic-looking artificial fingerprint patches. Extensive testing of different autoencoder architectures and hyperparameters led to coarse architectural guidelines as well as multiple implementations which can be utilized for future work.

研究の動機と目的

• 最小限の学習データで信頼性の高い1クラス指紋プレゼンテーション攻撃検出器を訓練するという課題に対処すること。
• ハイパーパramータに敏感で、アーキテクチャの指針が不足しているため、深層畳み込みオートエノードをゼロから訓練することが難しいという問題を克服すること。
• GANをデータ生成の他に、1クラス分類設定におけるオートエノード重みの事前学習にも活用する可能性を検討すること。
• 将来的なPAD研究のための、WGAN、DCGAN、オートエノード、データ前処理パイプラインの再利用可能でオープンソースの実装を提供すること。

提案手法

• 1,122枚の本物の指紋画像を用いて、Wasserstein GAN（WGAN）を訓練し、本物の指紋の特徴分布を強固に学習する。
• 学習済みのWGANの生成器と識別器を用いて、転移学習により深層畳み込みオートエノードのエンコーダーとデコーダーを事前学習する。
• 入力パッチをデータ拡張により処理し、同じ本物のデータセット上で再構成損失を用いてオートエノードをファインチューニングする。
• WGANの識別器を、重複のない指紋パッチに適用し、出力を平均化することで最終予測として分類器として使用する。
• バッチ正規化、プーリングの代わりにストライド付き畳み込み、完全畳み込み型ボトルネックを用いて、オートエノードの訓練を安定化・改善する。
• データ前処理パイプラインにより、一般化性能を向上させるために、切り取り、反転、回転、明るさ調整を含む広範な拡張処理を実施する。

実験結果

リサーチクエスチョン

• RQ1 攻撃サンプルを一切使用せず、WGANを用いて深層畳み込みオートエノードを1クラス指紋PADのための事前学習に効果的に活用できるか？
• RQ2 GANベースの事前学習は、転送学習なしでオートエノードをゼロから訓練するのと比較して、再構成精度および分類性能においてどのように異なるか？
• RQ3 どのようなアーキテクチャ的・ハイパーパramータ的選択が、指紋PADにおける深層畳み込みオートエノードの訓練安定性と性能を顕著に向上させるか？
• RQ4 WGANの生成器は、データ拡張やモデル評価に有用な多様で現実的である合成指紋パッチを生成できるか？
• RQ5 データ拡張は、非常に少数の本物のサンプル（1,122個）でのみ訓練された1クラス分類器の一般化性能をどの程度向上させるか？

主な発見

• 提案手法のWGANで事前学習されたオートエノードは、LivDet2021 Dermalogデータセットにおいて、本物の指紋サンプルのみ1,122個、攻撃サンプルなしで、平均分類誤差率16.79%を達成した。
• 転送学習なしでオートエノードをゼロから訓練した場合、同じ評価プロトコル下で平均分類誤差率23%と著しく悪い性能を示した。
• WGANは、多様で現実的な合成指紋パッチを幅広く生成でき、滑らかな潜在空間の補間と視覚的な多様性を実現した。
• バッチ正規化、ストライド付き畳み込み、完全畳み込み型ボトルネックの使用は、訓練収束性とモデル安定性を顕著に改善した。
• WGANの識別器をパッチレベル分類に直接適用した場合、信頼性のある結果は得られず、このタスクにおける直接的なGANベース分類の限界を示した。
• 著者らは、将来的な研究における再利用を目的として、データパイプライン、WGAN、DCGAN、複数のオートエノードアーキテクチャ、変分オートエノードのTensorFlow実装を公開した。