[論文レビュー] Patch-based Fake Fingerprint Detection Using a Fully Convolutional Neural Network with a Small Number of Parameters and an Optimal Threshold

Eunsoo Park, Xuenan Cui+3 more|arXiv (Cornell University)|Mar 21, 2018

Biometric Identification and Security参考文献 21被引用数 9

ひとこと要約

本稿では、セグメンテーションを不要にするために、パッチを生体、偽物、バックグラウンドの3つに分類する、軽量で完全畳み込みニューラルネットワーク（FCN）を提案する。SqueezeNetを模したファイアモジュールを用いることで、モデルはわずか2.0 MBのメモリ使用量に抑えられ、最適化されたしきい値を用いることで平均分類誤差1.35%を達成し、リソース制限のあるデバイス上でも高精度な検出が可能になる。

ABSTRACT

Fingerprint authentication is widely used in biometrics due to its simple process, but it is vulnerable to fake fingerprints. This study proposes a patch-based fake fingerprint detection method using a fully convolutional neural network with a small number of parameters and an optimal threshold to solve the above-mentioned problem. Unlike the existing methods that classify a fingerprint as live or fake, the proposed method classifies fingerprints as fake, live, or background, so preprocessing methods such as segmentation are not needed. The proposed convolutional neural network (CNN) structure applies the Fire module of SqueezeNet, and the fewer parameters used require only 2.0 MB of memory. The network that has completed training is applied to the training data in a fully convolutional way, and the optimal threshold to distinguish fake fingerprints is determined, which is used in the final test. As a result of this study experiment, the proposed method showed an average classification error of 1.35%, demonstrating a fake fingerprint detection method using a high-performance CNN with a small number of parameters.

研究の動機と目的

• 偽指紋を用いたスプーフィング攻撃に対する指紋認証の脆弱性に対処すること。
• セグメンテーションなどの前処理ステップに依存しないように、パッチを生体、偽物、バックグラウンドに分類すること。
• 低リソースシステムへのデプロイを想定し、パrameter数を最小限に抑えたコンactなディープラーニングモデルの開発。
• 実世界の応用において分類精度を最大化するように、検出しきい値を最適化すること。

提案手法

• 本手法は、パrameter数の削減を目的としてファイアモジュールを用いたSqueezeNetアーキテクチャに基づく完全畳み込みニューラルネットワーク（FCN）を採用する。
• 入力の指紋画像は小さなパッチに分割され、それぞれがFCNによって独立して処理され、生体・偽物・バックグラウンドのクラス確率が予測される。
• ネットワークは完全畳み込みの形でエンドツーエンドに訓練され、指紋画像全体にわたる密な予測が可能になる。
• 最適なしきい値は、トレーニング後、検証データを用いて決定され、偽物と生体パッチを最小誤差で区別する。
• 明示的なセグメンテーションを回避するため、バックグラウンドパッチを別クラスとして扱うことで、前処理を簡素化する。
• 最終的な検出意思決定は、パッチ単位の予測を統合し、最適化されたしきい値を適用して全指紋を分類することで行われる。

実験結果

リサーチクエスチョン

• RQ1 パrameter数を最小限に抑えた軽量CNNが、セグメンテーションを要せず、偽指紋を高精度に検出できるか？
• RQ2 生体・偽物・バックグラウンドの3クラスにパッチを分類することで、2値分類と比較して検出性能がどのように向上するか？
• RQ3 パッチベースの予測を用いた場合、偽指紋を区別する最適なしきい値は何か？
• RQ4 FCNにファイアモジュールを用いることで、モデルサイズはどれほど削減され、検出精度は維持されるか？
• RQ5 提案手法は、計算リソースとメモリが制限されたデバイスに効果的にデプロイ可能か？

主な発見

• 提案手法はテストセットにおいて平均分類誤差1.35%を達成し、高い検出精度を示した。
• ファイアモジュールを基盤とするコンactなアーキテクチャのおかげで、モデルはたった2.0 MBのメモリ使用量に抑えられ、低リソースデバイスへのデプロイが可能になった。
• 生体・偽物・バックグラウンドの3クラスへのパッチ分類により、別個のセグメンテーション前処理が不要になった。
• 完全畳み込みアーキテクチャにより、指紋画像全体にわたる密なパッチ単位の予測が可能となり、空間的一致性が向上した。
• トレーニング後のキャリブレーション段階で決定された最適なしきい値により、誤検出率と誤検出率のトレードオフが著しく改善された。
• 手作業特徴量や2値分類に依存する従来手法と比較して、最小限のパrameterでエンドツーエンド学習を活用した本手法は、優れた性能を発揮した。