[논문 리뷰] Biometric Quality: Review and Application to Face Recognition with FaceQnet

Javier Hernandez‐Ortega, Javier Galbally외 2명|arXiv (Cornell University)|2020. 06. 05.

Face recognition and analysis참고 문헌 49인용 수 58

한 줄 요약

이 논문은 생체 인식 품질 개념을 검토하고, 얼굴 이미지를 바탕으로 얼굴 인식 정확도를 예측하는 딥 러닝 기반 오픈 소스 도구인 FaceQnet을 소개하며, v0 및 개선된 v1 버전을 최신 지표와 비교 평가하였다.

ABSTRACT

"The output of a computerised system can only be as accurate as the information entered into it." This rather trivial statement is the basis behind one of the driving concepts in biometric recognition: biometric quality. Quality is nowadays widely regarded as the number one factor responsible for the good or bad performance of automated biometric systems. It refers to the ability of a biometric sample to be used for recognition purposes and produce consistent, accurate, and reliable results. Such a subjective term is objectively estimated by the so-called biometric quality metrics. These algorithms play nowadays a pivotal role in the correct functioning of systems, providing feedback to the users and working as invaluable audit tools. In spite of their unanimously accepted relevance, some of the most used and deployed biometric characteristics are lacking behind in the development of these methods. This is the case of face recognition. After a gentle introduction to the general topic of biometric quality and a review of past efforts in face quality metrics, in the present work, we address the need for better face quality metrics by developing FaceQnet. FaceQnet is a novel open-source face quality assessment tool, inspired and powered by deep learning technology, which assigns a scalar quality measure to facial images, as prediction of their recognition accuracy. Two versions of FaceQnet have been thoroughly evaluated both in this work and also independently by NIST, showing the soundness of the approach and its competitiveness with respect to current state-of-the-art metrics. Even though our work is presented here particularly in the framework of face biometrics, the proposed methodology for building a fully automated quality metric can be very useful and easily adapted to other artificial intelligence tasks.

연구 동기 및 목표

• 생체 품질과 그것이 얼굴 인식에 얼마나 중요한지 설명한다.
• 딥 러닝을 이용한 완전 자동화된 확장 가능한 얼굴 품질 지표를 제안한다.
• ICAO 규정 준수에서 파생된 그라운드트루스로 사람의 라벨링 없이 FaceQnet를 개발하고 평가한다.
• FaceQnet를 최첨단 얼굴 품질 지표와 비교하고 오픈 소스 리소스를 제공한다.

제안 방법

• 생체 품질을 인식 정확도의 예측기로 보는 일반적인 프레임워크를 설명한다.
• 딥 페이스 표현으로부터의 지식을 품질 예측기로 이전하여 FaceQnet을 개발한다.
• ICAO/준수 기반 레이블링을 사용하여 품질 점수를 자동으로 그라운드 트루스로 생성한다.
• 최첨단 지표와 NIST FRVT의 독립 평가에 대해 두 가지 FaceQnet 버전(v0 및 v1)을 평가한다.
• FaceQnet을 오픈 소스 프로젝트로 공개하고 LFW 및 VGGFace2에 대한 품질 라벨을 제공한다.

실험 결과

연구 질문

• RQ1 생체 품질을 얼굴 인식 정확도의 예측기로서 어떻게 정량화할 수 있는가?
• RQ2 딥 러닝 기반 품질 지표가 기존의 수작업으로 설계된 지표나 전통적 지표보다 얼굴 품질에서 더 뛰어날 수 있는가?
• RQ3 FaceQnet의 두 버전(v0와 v1)이 인식 성능과의 정렬이 개선되었는가?
• RQ4 이 접근법이 여러 얼굴 데이터베이스와 독립 평가에서 견고한가?
• RQ5 이 방법론이 얼굴 인식 외 다른 AI 태스크로 일반화될 수 있는가?

주요 결과

• FaceQnet은 인식 정확도와 상관관계가 있는 0에서 1까지의 수치 품질 점수를 제공한다.
• FaceQnet v1은 평가에서 v0보다 개선을 보이며 최첨단 지표와의 경쟁력을 제공한다.
• NIST FRVT의 독립 평가가 FaceQnet의 타당성과 경쟁력을 뒷받침한다.
• FaceQnet은 오픈 소스로 공개되어 더 넓은 채택과 다른 AI 태스크로의 적용을 가능하게 한다.
• LFW 및 VGGFace2에 대한 품질 라벨이 생성되어 FaceQnet과 함께 제공된다.