[논문 리뷰] Biometric Recognition Using Deep Learning: A Survey

Shervin Minaee, AmirAli Abdolrashidi외 3명|arXiv (Cornell University)|2019. 11. 30.

Biometric Identification and Security참고 문헌 223인용 수 81

한 줄 요약

이 종합적 리뷰는 얼굴, 지문, 혈관, 음성, 서명, 보행 등 다양한 모odalities를 포함해 120개 이상의 딥러닝 기반 생체인식 시스템에 대한 포괄적인 분석을 제공한다. 공개 벤치마크에서의 성능 평가, 주요 과제 분석, 실생활 생체인식 응용에서 정확성과 확장성 향상을 위한 향후 연구 방향을 제시한다.

ABSTRACT

Deep learning-based models have been very successful in achieving state-of-the-art results in many of the computer vision, speech recognition, and natural language processing tasks in the last few years. These models seem a natural fit for handling the ever-increasing scale of biometric recognition problems, from cellphone authentication to airport security systems. Deep learning-based models have increasingly been leveraged to improve the accuracy of different biometric recognition systems in recent years. In this work, we provide a comprehensive survey of more than 120 promising works on biometric recognition (including face, fingerprint, iris, palmprint, ear, voice, signature, and gait recognition), which deploy deep learning models, and show their strengths and potentials in different applications. For each biometric, we first introduce the available datasets that are widely used in the literature and their characteristics. We will then talk about several promising deep learning works developed for that biometric, and show their performance on popular public benchmarks. We will also discuss some of the main challenges while using these models for biometric recognition, and possible future directions to which research in this area is headed.

연구 동기 및 목표

• 여러 모달리티에 걸쳐 120개 이상의 딥러닝 기반 생체인식 연구를 체계적으로 검토하고 통합한다.
• 각 생체인식 유형에 널리 사용되는 공개 데이터셋과 그 주요 특성들을 식별하고 특성화한다.
• 각 생체인식 모달리티의 표준 벤치마크에서 최신 딥러닝 모델의 성능을 평가한다.
• 딥러닝 모델을 생체인식에 구현할 때 발생하는 주요 과제, 예를 들어 개인정보 보호, 내성성, 일반화 능력 등을 분석한다.
• 딥러닝 기반 생체인식 시스템을 위한 미래 연구 방향과 향후 트렌드를 제시한다.

제안 방법

• 주요 컨퍼런스와 저널에서 발표된 120개 이상의 동료심사를 통과한 생체인식 분야의 딥러닝 연구 논문에 대한 체계적 문헌 리뷰.
• 예를 들어 얼굴, 지문, 혈관, 음성, 보행 등 모달리티별로 생체인식 시스템을 분류하고 각 모달리티에서 사용된 모델 아키텍처를 분석한다.
• Labeled Faces in the Wild (LFW), CASIA-Iris 등 표준 공개 데이터셋에서 보고된 성능 지표(예: 정확도, EER)를 종합하고 비교한다.
• CNN, 시아모이즈 네트워크, 어텐션 메커니즘 등 공통적으로 적용된 딥러닝 기법들을 생체인식 작업 전반에 걸쳐 식별한다.
• 문헌에서 보고된 결과를 바탕으로 도메인 이동, 스푸핑 공격, 데이터 불균형 등의 과제를 통합 분석한다.
• 자기지도 학습, 다중모달리티 융합, 생체인식 시스템에서의 모델 해석 가능성 등 향후 연구 트렌드에 대해 논의한다.

실험 결과

연구 질문

• RQ1 다양한 생체인식 작업에 가장 효과적인 딥러닝 아키텍처는 무엇인가?
• RQ2 각 생체인식 모달리티의 공개 벤치마크에서 성능 지표는 어떻게 변하는가?
• RQ3 실생활 구현을 저해하는 주요 과제는 무엇인가?
• RQ4 현재 모델들은 다양한 생체인식 유형에서 자세, 조도 변화 및 스푸핑 공격에 어떻게 대응하는가?
• RQ5 딥러닝 생체인식의 미래를 이끄는 새로운 연구 방향은 무엇인가?

주요 결과

• 딥러닝 모델은 모든 주요 생체인식 모달리티에서 전통적 방법을 뛰어넘는 일관된 성능을 보이며, 공개 벤치마크에서 최고 수준의 정확도를 기록한다.
• 면역세포 신경망(CNN) 및 그 변종이 얼굴, 지문, 혈관 인식 작업에서 주로 사용되는 주요 아키텍처이다.
• 얼굴 인식 분야에서 성능 향상이 특히 두드러지며, LFW 및 MS-Celeb-1M 등의 데이터셋에서 인간 수준의 정확도에 도달한다.
• 혈관 및 지문 인식 시스템은 높은 내성성과 낮은 오류율을 보이며, 일부 딥러닝 모델에서 표준 데이터셋에서 EER이 0.1% 미만으로 나타난다.
• 음성 및 서명 인식은 RNN 및 트랜스포머와 같은 순서 모델링 기법 덕분에 길이가 변하는 입력에서 성능 향상이 두드러진다.
• 높은 정확도에도 불구하고, 적대적 공격, 도메인 이동, 개인정보 보호 문제 등은 광범위한 구현을 저지르는 주요 장벽으로 남아 있다.