[논문 리뷰] ConvSRC: SmartPhone based Periocular Recognition using Deep Convolutional Neural Network and Sparsity Augmented Collaborative Representation

Amani A. Alahmadi, Muhammad M. Hussain외 2명|arXiv (Cornell University)|2018. 01. 16.

Biometric Identification and Security인용 수 5

한 줄 요약

이 논문은 사전 훈련된 VGG-Net을 특징 추출에 활용하고, 희소성 인식 활성화에 주로 주목한 원주형 인식 시스템인 ConvSRC를 제안한다. 또한, 분류에 대해 희소 보완 공동 표현(Sparse Augmented Collaborative Representation)을 사용한다. 이 시스템은 VISOB 데이터베이스에서 0.1%의 가짜 매칭률(FMR)에서 99% 이상의 진짜 매칭률(GMR)을 달성하며, ICIP2016 경쟁의 수상자보다 10% 높은 성능을 기록한다.

ABSTRACT

Smartphone based periocular recognition has gained significant attention from biometric research community because of the limitations of biometric modalities like face, iris etc. Most of the existing methods for periocular recognition employ hand-crafted features. Recently, learning based image representation techniques like deep Convolutional Neural Network (CNN) have shown outstanding performance in many visual recognition tasks. CNN needs a huge volume of data for its learning, but for periocular recognition only limited amount of data is available. The solution is to use CNN pre-trained on the dataset from the related domain, in this case the challenge is to extract efficiently the discriminative features. Using a pertained CNN model (VGG-Net), we propose a simple, efficient and compact image representation technique that takes into account the wealth of information and sparsity existing in the activations of the convolutional layers and employs principle component analysis. For recognition, we use an efficient and robust Sparse Augmented Collaborative Representation based Classification (SA-CRC) technique. For thorough evaluation of ConvSRC (the proposed system), experiments were carried out on the VISOB challenging database which was presented for periocular recognition competition in ICIP2016. The obtained results show the superiority of ConvSRC over the state-of-the-art methods; it obtains a GMR of more than 99% at FMR = 10-3 and outperforms the first winner of ICIP2016 challenge by 10%.

연구 동기 및 목표

• 제한된 훈련 데이터에서 원주형 인식의 과제를 해결하기 위해 전이 학습을 활용한 딥 러닝 기반 접근을 제안한다.
• 합성곱층 활성화에서의 희소성과 특징적인 패턴을 활용하여 정확도를 향상시킨다.
• 스마트폰에 배포 가능한 작고 효율적이며 강력한 생체 인식 시스템을 개발한다.
• 도전적인 VISOB 원주형 인식 데이터베이스에서 기존 최고 수준의 방법들을 능가하는 성능을 달성한다.

제안 방법

• 원주형 영상에 대해 사전 훈련된 VGG-Net을 미세조정하여 합성곱층으로부터 계층적 특징을 추출한다.
• 주성분 분석(PCA)을 적용하여 차원을 감소시키면서도 특징 맵의 희소성과 특징적인 정보를 유지한다.
• 희소성 인식 활성화 맵을 사용하여 주목할 만한 비중복 패턴에 집중함으로써 특징 표현을 향상시킨다.
• 소음과 가림 현상에 대한 강건성을 향상시키기 위해 희소 보완 공동 표현(SA-CRC)을 분류에 활용한다.
• CNN 기반 특징 학습과 공동 표현을 융합하여 데이터가 적은 환경에서의 일반화 능력을 향상시킨다.
• 모델 복잡성과 계산 부담을 최소화하여 실시간으로 스마트폰 기기에서 구동 가능한 파이프라인을 최적화한다.

실험 결과

연구 질문

• RQ1 제한된 훈련 데이터가 존재하는 상황에서 사전 훈련된 딥 컨볼루션 네트워크가 원주형 인식에 대해 효과적으로 특징을 추출할 수 있는가?
• RQ2 희소성 인식 특징 표현은 데이터가 적은 환경에서 정확도 향상에 어떻게 기여하는가?
• RQ3 소음과 부분적 가림 조건 하에서 SA-CRC는 표준 공동 표현보다 원주형 인식에서 더 나은 성능을 보이는가?
• RQ4 제안된 시스템은 기준 데이터셋에서 기존 최고 수준의 방법들을 능가하는 성능을 달성할 수 있는가?
• RQ5 이 시스템은 효율적이며 스마트폰 스마트폰에서 실시간 배포에 적합한가?

주요 결과

• ConvSRC는 VISOB 데이터베이스에서 FMR=10^-3일 때 99% 이상의 진짜 매칭률(GMR)을 달성한다.
• 시스템은 ICIP2016 원주형 인식 경쟁의 1등 솔루션보다 FMR=10^-3일 때 GMR 측면에서 10% 높은 성능을 기록한다.
• VGG-Net 특징에 희소성 인식 PCA를 통합함으로써 표준 CNN 특징에 비해 특징의 구분 능력이 크게 향상된다.
• SA-CRC는 원주형 영상에서 소음과 부분적 가림에 대해 뛰어난 강건성을 보인다.
• 작은 모델로도 높은 정확도를 유지하여 모바일 배포에 적합하다.
• 결과적으로 전이 학습과 희소성 인식 표현의 융합이 제한된 데이터에서 원주형 인식에 매우 효과적임을 확인한다.