[논문 리뷰] Deep Learning for Finger Vein Recognition: A Brief Survey of Recent Trend

Renye Zhang, Yimin Yin외 3명|arXiv (Cornell University)|2022. 07. 05.

Biometric Identification and Security인용 수 6

한 줄 요약

이 종합 검토는 2017~2021년 사이의 46篇의 딥 러닝(DL)-기반 손가락 정맥 인식(FVIR) 연구를 검토하며, 분류, 특징 추출, 이미지 향상 등의 신경망 작업으로 분류한다. 주요 DL 아키텍처로는 ResNet, GAN, 캡슐 네트워크 등을 식별하고, 최신 성능(예: EERE가 0.00%이고 ACC가 99.98%)을 보고하며, 조명 변화 및 경량 장치에의 구현과 같은 과제를 제기하고, 향후 방향으로 지식 정복과 다수 손가락 정맥 유사성 탐색을 제안한다.

ABSTRACT

Finger vein image recognition technology plays an important role in biometric recognition and has been successfully applied in many fields. Because veins are buried beneath the skin tissue, finger vein image recognition has an unparalleled advantage, which is not easily disturbed by external factors. This review summarizes 46 papers about deep learning for finger vein image recognition from 2017 to 2021. These papers are summarized according to the tasks of deep neural networks. Besides, we present the challenges and potential development directions of finger vein image recognition.

연구 동기 및 목표

• 2017년부터 2021년까지의 딥 러닝을 활용한 손가락 정맥 인식(FVIR) 관련 최근 46篇의 연구를 체계적으로 요약하기 위해.
• 딥 뉴럴 네트워크가 수행하는 작업에 따라 이 연구들을 분류하기 위해, 분류, 특징 추출, 이미지 향상, 분할, 암호화를 포함한다.
• FVIR에서 사용된 주요 딥 러닝 아키텍처—예를 들어 ResNet, GAN, 캡슐 네트워크—를 식별하고 표준 데이터셋에서의 성능을 평가하기 위해.
• 지속적인 과제인 비균일한 조명, 이미지 이동, 제작 공격 등을 분석하고, 모바일 장치에의 실용적 구현 문제를 탐색하기 위해.
• 향후 연구 방향으로 지식 정복을 통한 경량 장치에의 구현 최적화와 동일 개인의 서로 다른 손가락 간 정맥 패턴 유사성 탐구를 제안하기 위해.

제안 방법

• 이 종합 검토는 IEEE, Springer, Elsevier, Google Scholar에서 선정된 46편의 동료 심사 논문을 분석하며, 키워드를 사용해 선별: 'finger vein image analysis' AND ('deep learning' OR 'neural network' OR 'CNN' OR 'GAN' OR 'LSTM' OR 'RNN' OR 'autoencoder').
• 논문은 딥 뉴럴 네트워크의 주요 작업에 따라 분류: 분류, 특징 추출, 이미지 향상, 이미지 분할, 암호화.
• 성능 평가 지표로는 EER(등가 오류 비율), ACC(정확도), APCER/BPCER(공격 제작 분류 오류 비율), PSNR, SSIM 등을 사용하여 방법을 평가하고 비교한다.
• 일반적으로 사용되는 데이터셋으로는 FV-USM, HKPU, MMCBNU-6000, SDUMLA-HMT, UTFVP, THU-FVFDT2가 있으며, 이미지 수와 해상도가 다양하다.
• 주요 딥 러닝 모델로는 AlexNet, ResNet(예: ResNet-50, ResNet-101), GAN, DenseNet-161, SqueezeNet, 그리고 주의 메커니즘을 갖춘 네트워크인 FVRASNet, JAFVNet 등이 포함된다.
• 지식 정복, 하드 마이닝을 적용한 트리플릿 손실, 주의 메커니즘과 같은 기법의 효과를 평가하여 정확도 향상과 모델 효율성 향상을 분석한다.

실험 결과

연구 질문

• RQ1 2017년부터 2021년 사이에 손가락 정맥 인식 작업에서 가장 높은 성능을 보인 딥 뉴럴 네트워크 아키텍처는 무엇인가?
• RQ2 GAN, 주의 모듈, 오토에코더와 같은 다양한 딥 러닝 기법이 FVIR에서 이미지 향상, 분할, 특징 추출에 어떻게 기여하는가?
• RQ3 FVIR에서 가장 빈번하게 발생하는 기술적 과제는 무엇인가, 특히 이미지 품질 악화와 제작 공격 관련 과제들에 대해 설명하라.
• RQ4 동일 개인의 서로 다른 손가락에서 정맥 패턴을 신뢰성 있게 매칭할 수 있는가, 그리고 이에 대한 교차 손가락 유사성 증거는 무엇인가?
• RQ5 딥 러닝 모델은 실생활 FVIR 응용에서 사용되는 경량 모바일 장치에 어떻게 최적화될 수 있는가?

주요 결과

• ResNet-50는 HKPU 데이터셋에서 98.64%의 정확도를 기록하여 분류 작업에서 뛰어난 성능을 보였다.
• 이중 브랜치 CNN은 FV-USM 데이터셋에서 EER가 0.00%를 기록하여 특정 조건 하에서 거의 완벽한 인식 성능을 보였다.
• 하드 음성 마이닝을 적용한 트리플릿 손실을 사용한 모델은 대칭 손가락(반대 손에서 같은 종류의 손가락)을 식별하는 데 99.13%의 정확도를 달성하여 교차 손가락 유사성을 확인했다.
• 지식 정복은 대규모 모델을 경량 모바일 터미널에 배포하기 위한 타당한 방법으로 식별되어 실생활 적용 가능성을 향상시켰다.
• GAN 기반 방법은 SDUMLA-HMT 데이터셋에서 PSNR 30.42, SSIM 98.85를 기록하여 저품질 이미지의 효과적인 복원을 가능하게 하였다.
• GNN 기반 모델은 FV-USM 데이터셋에서 99.98%의 정확도를 기록하여 그래프 신경망이 FVIR에서 잠재력을 지닌다는 것을 시사하였으며, 이는 이전에 거의 사용되지 않은 분야임을 감안할 때 놀라운 성과이다.