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

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

Biometric Identification and Security인용 수 7

한 줄 요약

이 종합 검토는 2019년까지의 깊이 학습 기반 생체 인식 응용에 대한 종합적인 분석을 제공하며, 얼굴, 지문, 망막, 음성, 서명, 보행 등 120개 이상의 다양한 모odalities를 포함한다. 공개 벤치마크에서 깊이 학습 모델의 성능을 평가하고, 소수의 샘플 학습 및 개인정보 보호와 같은 과제를 논의하며, 다중모달 융합 및 실시간, 메모리 효율적인 아키텍처와 같은 향후 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

• 2019년까지 생체 인식 분야의 깊이 학습 응용에 대한 종합적이고 최신의 종합 검토를 제공하는 것.
• 얼굴, 지문, 망막, 손바닥 무늬, 귀, 음성, 서명, 보행 등 다양한 생체 인식 모달리티에서 깊이 학습 모델의 성능을 분석하는 것.
• 소수의 샘플 학습, 모델 효율성, 보안 및 개인정보 보호와 같은 주요 과제를 식별하는 것.
• 다중모달 융합, 실시간 추론, 그리고 적대적 공격 및 위조 공격에 대한 강건성 향상과 같은 향후 연구 방향을 탐색하는 것.
• 대규모 데이터셋의 역할을 부각하고, 분야 발전을 위해 더 도전적인 벤치마크가 필요하다는 점을 강조하는 것.

제안 방법

• 다양한 모달리티에서 깊이 학습 기반 생체 인식에 관한 120개 이상의 최근 논문을 체계적으로 검토하였다.
• 각 생체 인식 유형에 사용된 깊이 학습 아키텍처(예: CNN, 시아모이 네트워크, 메트릭 학습 모델 등)를 분류하고 분석하였다.
• CASIA-WebQ, IIT-OpenSet, LIVReb 등의 표준 공개 벤치마크에서 모델 성능을 평가하였다.
• 대규모 레이블링 데이터에 대한 의존도를 줄이기 위해 소수의 샘플 학습 및 자기지도 학습 기법을 논의하였다.
• 시스템의 강건성을 향상시키기 위해 데이터, 특징, 점수, 결정 수준에서의 생체 인식 융합 전략을 탐색하였다.
• 메모리 제약이 있는 장치에 배포 가능하도록 하기 위해 모델 압축 및 지식 정복 기법을 검토하였다.

Figure 1: Sample images for various biometrics. The images in the first to sixth rows denote samples from face, fingerprint, iris, palmprint, ear, and gait respectively casia_gaitA ; yaleb ; polyU_finger ; polyu_palm ; kumar2010comparison ; iit_ear .

실험 결과

연구 질문

• RQ1 다양한 생체 인식 모달리티에서 깊이 학습 모델은 전통적인 수작업 특징 추출 기법에 비해 성능 면에서 어떻게 비교되는가?
• RQ2 생체 인식 작업에 있어 가장 효과적인 깊이 학습 아키텍처와 학습 전략은 무엇인가?
• RQ3 실제 환경에서 생체 인식 시스템을 구현할 때 남아 있는 과제는 무엇인가, 특히 소수의 샘플 학습과 모델 효율성 측면에서?
• RQ4 다중모달 생체 인식 융합은 정확도와 강건성을 어떻게 향상시킬 수 있으며, 특히 일란성 쌍둥이 또는 가면을 쓴 신원과 같은 어려운 경우에 어떻게 기여하는가?
• RQ5 깊이 학습 기반 생체 인식 시스템에서 주요 보안 및 개인정보 침해 위협은 무엇이며, 이를 어떻게 완화할 수 있는가?

주요 결과

• 깊이 학습 모델은 CASIA-WebQ 및 IIT-OpenSet 등의 대규모 데이터셋에서 전통적 방법에 비해 상당히 뛰어난 성능을 보였다.
• 얼굴 인식 분야에서 대규모 데이터셋과 산업적 수요 덕분에 가장 빠른 진전을 보였으며, 벤치마크에서 인간 수준의 정확도에 도달했다.
• 자기지도 학습 및 소수의 샘플 학습 기법은 데이터 의존도를 줄이는 데 유망한 잠재력을 보였지만, 아직 생체 인식 분야에서 충분히 탐색되지 않은 상태이다.
• 특징 수준 또는 결정 수준에서의 생체 인식 융합은 단일 모달리티가 실패할 경우(예: 가면을 쓴 얼굴 또는 일란성 쌍둥이)에도 신뢰성을 높이는 데 기여한다.
• 메모리 효율적이고 실시간 추론이 가능한 모델은 장치 내 배포에 매우 중요하며, 지식 정복은 모델 압축의 핵심 기법이다.
• 적대적 공격 및 템플릿 공격과 같은 보안 위협은 여전히 주요 우려 사항이며, 현재는 강력한 위조 방지 솔루션이 제한적으로 제공되고 있다.

Figure 2: The block-diagram of most of classical biometric recognition algorithms.