[논문 리뷰] Convolutional Neural Network with Convolutional Block Attention Module for Finger Vein Recognition

Zhongxia Zhang, Mingwen Wang|arXiv (Cornell University)|2022. 02. 14.

Biometric Identification and Security인용 수 14

한 줄 요약

이 논문은 지문 인식을 위한 경량화된 컨볼루션 신경망(CNN)을 제안하며, 컨볼루션 블록 주의 모듈(CBAM)을 통합하여 특징의 구분 능력을 향상시킨다. 이는 적응형 채널 및 공간 주의를 통해 달성된다. 제안된 방법은 두 개의 공개 데이터베이스에서 최소한의 계산 비용으로 100%의 정확도를 달성하여, 더 깊고 넓은 네트워크를 능가하며 학습 시간을 단축시킨다.

ABSTRACT

Convolutional neural networks have become a popular research in the field of finger vein recognition because of their powerful image feature representation. However, most researchers focus on improving the performance of the network by increasing the CNN depth and width, which often requires high computational effort. Moreover, we can notice that not only the importance of pixels in different channels is different, but also the importance of pixels in different positions of the same channel is different. To reduce the computational effort and to take into account the different importance of pixels, we propose a lightweight convolutional neural network with a convolutional block attention module (CBAM) for finger vein recognition, which can achieve a more accurate capture of visual structures through an attention mechanism. First, image sequences are fed into a lightweight convolutional neural network we designed to improve visual features. Afterwards, it learns to assign feature weights in an adaptive manner with the help of a convolutional block attention module. The experiments are carried out on two publicly available databases and the results demonstrate that the proposed method achieves a stable, highly accurate, and robust performance in multimodal finger recognition.

연구 동기 및 목표

• 지문 인식에서 깊고 넓은 CNN의 높은 계산 비용 문제를 해결하기 위해.
• 특징의 채널별 및 공간별 중요도를 모델링하여 특징 표현을 향상시키기 위해.
• 실제 구현에 적합한 경량화되고 효율적이며 정확한 모델을 개발하기 위해.
• CBAM을 플러그 앤 플레이 모듈로 통합하여 모델 복잡도를 증가시키지 않고도 특징 학습을 향상시키기 위해.

제안 방법

• 최소한의 파라미터와 계산을 사용하여 지문 영상에서 초깃특징을 추출하기 위한 경량화된 CNN 아키텍처를 설계하였다.
• 채널 및 공간 차원에 대해 별도로 주의 맵을 학습하기 위해 네트워크에 CBAM를 통합하였다.
• 채널 주의 맵은 전역 평균 풀링과 전역 최대 풀링을 사용하여 계산되며, 이를 바탕으로 공유된 다층 퍼셉트론을 통해 채널 가중치를 학습한다.
• 공간 주의는 채널별 풀링된 특징에 적용된 학습된 2D 컨볼루션 커널을 통해 계산된다.
• 주의 맵은 입력 특징 맵과 요소별 곱셈을 통해 특징을 적응적으로 개선한다.
• 분류를 위해 소프트맥스 레이어를 통과시켜 엔드 투 엔드 학습이 가능하도록 하였다.

실험 결과

연구 질문

• RQ1 경량화된 CNN에 CBAM를 통합하면 기존의 깊은 CNN보다 지문 인식에서 더 높은 정확도를 달성할 수 있는가?
• RQ2 CBAM 통합으로 계산 비용을 증가시키지 않고도 특징의 구분 능력이 향상되는가?
• RQ3 전통적인 수작업 특징 추출 방법과 비교했을 때 정확도와 효율성 측면에서 제안된 방법은 어떠한가?
• RQ4 주의 메커니즘이 중요한 혈관 구조를 효과적으로 강조하면서 불필요한 특징을 억제할 수 있는가?

주요 결과

• 제안된 방법은 HKPU 및 USM 데이터베이스에서 모두 100%의 인식 정확도를 달성하여 기준 CNN(98.11%)과 다른 최신 기술들을 능가하였다.
• 20 에포크의 학습 및 검증에 총 683초가 소요되었으며, 기준 모델과 13초의 차이를 보여 경량화된 특성을 입증하였다.
• 이미지 전처리 없이도 LBP(83%), Gabor(90.08%), PCA(94.7%)와 같은 전통적 알고리즘을 크게 능가하여 거의 완벽한 정확도를 달성하였다.
• ResNet-18(96.04%) 및 AlexNet(92.28%)과 같은 더 깊은 네트워크와 비교해도 파라미터 수와 계산량이 적은데도 더 높은 정확도를 기록하였다.
• USM 데이터베이스에서 100%의 정확도를 달성하여, 가장 뛰어난 성능을 보인 CPBFL-BCL(99.98%) 및 가중치 기반 혈관 색인화(99.93%)를 초월하였다.
• CBAM 통합으로 중요한 채널과 공간 영역을 적응적으로 강조함으로써 특징의 구분 능력이 향상되었으며, 아키텍처 변경을 최소화한 상태에서 뛰어난 성능을 달성하였다.