[논문 리뷰] Cross-sensor Pore Detection in High-resolution Fingerprint Images using Unsupervised Domain Adaptation

Vijay Anand, Vivek Kanhangad|arXiv (Cornell University)|2019. 08. 28.

Biometric Identification and Security참고 문헌 11인용 수 4

한 줄 요약

이 논문은 고해상도 지문 영상에서 다양한 센서 간의 휠터 검출을 위한, 기울기 반전층 기반 비지도 도메인 적응을 갖춘 잔차 컨볼루션 신경망인 DeepDomainPore를 제안한다. 자체 구축한 1000 dpi 데이터셋(IITI-HRFP-GT)을 기반으로 훈련되었으며, 공개된 다양한 센서 기반 벤치마크에서 88.12%의 정확한 탐지율과 83.82%의 F-스코어를 기록하여 기존의 학습 기반 방법들보다 도메인 일반화 성능에서 뛰어나다.

ABSTRACT

With the emergence of high-resolution fingerprint sensors, there has been a lot of focus on level-3 fingerprint features, especially the pores, for the next generation automated fingerprint recognition systems (AFRS). Following the success of deep learning in various computer vision tasks, researchers have developed learning-based approaches for detection of pores in high-resolution fingerprint images. Generally, learning-based approaches provide better performance than handcrafted feature-based approaches. However, domain adaptability of the existing learning-based pore detection methods has never been studied. In this paper, we study this aspect and propose an approach for pore detection in cross-sensor scenarios. For this purpose, we have generated an in-house 1000 dpi fingerprint dataset with ground truth pore coordinates (referred to as IITI-HRFP-GT), and evaluated the performance of the existing learning-based pore detection approaches. The core of the proposed approach for detection of pores in cross-sensor scenarios is DeepDomainPore, which is a residual learning-based convolutional neural network(CNN) trained for pore detection. The domain adaptability in DeepDomainPore is achieved by embedding a gradient reversal layer between the CNN and a domain classifier network. The proposed approach achieves state-of-the-art performance in a cross-sensor scenario involving public high-resolution fingerprint datasets with 88.12% true detection rate and 83.82% F-score.

연구 동기 및 목표

• 기존의 학습 기반 휠터 검출 방법들이 다양한 지문 센서 간에서 도메인 적응 능력이 어떻게 달라지는지 조사한다.
• 타겟 도메인의 레이블이 필요 없이 다양한 고해상도 지문 센서 간에 잘 일반화되는 딥 러닝 프레임워크를 개발한다.
• 훈련 및 평가를 위한 고품질의 자체 구축 1000 dpi 지문 데이터셋(IITI-HRFP-GT)을 생성한다. 이 데이터셋에는 지상 진실 휠터 좌표가 포함되어 있다.
• 센서 특화 도메인 이탈 문제를 해결하여 자동 지문 인식 시스템의 휠터 검출 성능을 향상시킨다.

제안 방법

• 고해상도 지문 영상에서의 휠터 검출을 위해 특별히 설계된 잔차 컨볼루션 신경망 아키텍처인 DeepDomainPore를 제안한다.
• 특징 추출기와 도메인 분류기 사이에 기울기 반전층을 통합하여 비지도 도메인 적응을 가능하게 한다.
• 소스 도메인 데이터(IITI-HRFP-GT)와 적대적 손실을 사용하여 모델을 엔드 투 엔드로 훈련시켜 도메인 간 특징 분포를 정렬한다.
• 도메인 적대적 훈련을 활용하여 도메인 이탈을 최소화하면서도 작업 특화(휠터 검출) 성능을 유지한다.
• 검출된 휠터의 국소화 정확도를 향상시키기 위해 다중 척도 손실 함수를 사용한다.
• 실제 도메인 배포를 시뮬레이션하기 위해 공개된 고해상도 지문 영상 데이터셋을 활용하여 교차 센서 시나리오에서 모델을 평가한다.

실험 결과

연구 질문

• RQ1 기존의 학습 기반 휠터 검출 방법들이 다양한 지문 센서 간에서 도메인 적응 능력이 어떻게 달라지는가?
• RQ2 비지도 도메인 적응이 새로운 센서 도메인으로의 휠터 검출 모델 일반화를 향상시킬 수 있는가?
• RQ3 제안된 DeepDomainPore 모델의 교차 센서 휠터 검출 성능은 최신 기술 수준의 방법들과 비교해 어떻게 되는가?
• RQ4 기울기 반전층이 도메인 간 특징 분포를 정렬하면서도 검출 정확도를 유지하는 데 얼마나 효과적인가?

주요 결과

• 제안된 DeepDomainPore 모델은 공개된 고해상도 지문 영상 데이터셋 기반의 교차 센서 시나리오에서 88.12%의 정확한 탐지율을 달성한다.
• 동일한 교차 센서 평가에서 F-스코어가 83.82%에 이르며, 정밀도와 재현율 모두 뛰어난 성능을 보인다.
• 1000 dpi 해상도와 지상 진실 휠터 좌표를 포함한 자체 구축된 IITI-HRFP-GT 데이터셋은 휠터 검출 모델의 신뢰할 수 있는 훈련 및 평가를 가능하게 한다.
• 기존의 학습 기반 휠터 검출 방법들은 도메인 일반화 능력이 떨어지는 것으로 나타나, 도메인 적응 기법의 필요성을 강조한다.
• 기울기 반전층의 통합으로 도메인 정렬이 크게 향상되어 교차 센서 성능이 향상됨을 확인하였다.
• DeepDomainPore는 기존의 학습 기반 접근 방식보다 교차 센서 환경에서 뛰어난 성능을 보이며, 새로운 최신 기술 수준(SOTA)을 수립한다.