[논문 리뷰] Deep Learning for Iris Recognition: A Survey

Kien Nguyen, Hugo Proença외 1명|arXiv (Cornell University)|2022. 10. 12.

Biometric Identification and Security인용 수 8

한 줄 요약

이 종합 검토는 지난 10년간의 200개 이상의 딥 러닝(DL) 기반의 망막 인식 연구를 종합적으로 분석하며, 분할, 인식, 제현 공격 탐지, 증거 분석, 인간-기계 협업에 이르기까지 DL의 적용을 다룹니다. DL이 정확도와 강인성을 향상시키는데 성공했음을 강조하면서도, 해석 가능성, 데이터 효율성, 저자원 환경에서의 구현과 같은 주요 과제를 밝혀냅니다.

ABSTRACT

In this survey, we provide a comprehensive review of more than 200 papers, technical reports, and GitHub repositories published over the last 10 years on the recent developments of deep learning techniques for iris recognition, covering broad topics on algorithm designs, open-source tools, open challenges, and emerging research. First, we conduct a comprehensive analysis of deep learning techniques developed for two main sub-tasks in iris biometrics: segmentation and recognition. Second, we focus on deep learning techniques for the robustness of iris recognition systems against presentation attacks and via human-machine pairing. Third, we delve deep into deep learning techniques for forensic application, especially in post-mortem iris recognition. Fourth, we review open-source resources and tools in deep learning techniques for iris recognition. Finally, we highlight the technical challenges, emerging research trends, and outlook for the future of deep learning in iris recognition.

연구 동기 및 목표

• 지난 10년간 딥 러닝 기술이 망막 인식 분야에서 어떻게 진화했고 현재의 최첨단 기술 수준에 이르렀는지를 체계적으로 검토하는 것.
• 딥 러닝이 망막 인식 파이프라인의 핵심 단계인 분할, 특징 인코딩, 매칭에 미친 영향을 분석하는 것.
• 제현 공격 탐지, 후사 인식, 인간-기계 협업과 같은 새로운 응용 분야를 조사하는 것.
• 딥 러닝 기반 망막 인식 연구에 활용 가능한 오픈소스 도구와 데이터셋을 평가하는 것.
• 실세계 생체 인식 시스템에서의 딥 러닝 모델의 강인성, 해석 가능성, 구현과 관련된 열린 과제와 새로운 연구 방향을 규명하는 것.

제안 방법

• 2013~2023년 기간 동안 딥 러닝을 활용한 망막 인식에 관한 논문, 기술 보고서, GitHub 리포지터리 200개 이상를 대상으로 체계적인 문헌 검토를 수행한다.
• 합성곱 신경망(CNNs), U-Net 변종, 주의 메커니즘을 사용한 딥 러닝 기반의 망막 분할 방법을 분류하고 분석한다.
• 망막 인식을 위한 딥 러닝 아키텍처를 조사하며, 시아모이즈 네트워크, 트리플릿 손실, 메트릭 학습, 특징 인코딩을 위한 트랜스포머 기반 모델을 포함한다.
• 제현 공격 탐지(PAD)를 위한 딥 러닝 기법을 검토하며, 적대적 강인성과 교차 데이터셋 일반화에 중점을 둔다.
• 디지털 증거 분석 응용 분야를 검토하며, 특히 시간적 및 형태학적 모델링을 활용한 후사 망막 인식에 초점을 맞춘다.
• 모델 신뢰도 향상과 오류율 감소를 위해 액티브 러닝 및 인간-기계 협업 시스템과 같은 인간-기계 쌍방향 전략을 평가한다.

실험 결과

연구 질문

• RQ1 딥 러닝은 전통적인 수작업 특징 추출 방법에 비해 망막 인식 시스템의 성능과 강인성에 어떤 영향을 미쳤는가?
• RQ2 망막 인식 파이프라인의 어떤 단계(예: 분할, 인식, PAD)에서 딥 러닝이 가장 뚜렷한 향상을 이뤘는가?
• RQ3 실세계의 저자원 환경 또는 모바일 환경에서 망막 인식을 위한 딥 러닝 모델을 구현할 때 발생하는 주요 기술적 과제는 무엇인가?
• RQ4 딥 러닝 모델은 후사 망막 인식에서 얼마나 효과적인가? 사망 후에도 망막의 구조를 유지하는 데에는 어떤 한계가 있는가?
• RQ5 인간-기계 협업은 딥 러닝 기반 망막 인식 시스템의 신뢰성과 해석 가능성 향상에 어떤 역할을 할 수 있는가?

주요 결과

• U-Net과 주의 기반 아키텍처를 사용한 딥 러닝은 망막 분할 정확도를 크게 향상시켰으며, 기존의 전통적 방법 대비 오류율을 최대 40%까지 감소시켰다.
• 특히 트리플릿 손실과 메트릭 학습을 활용한 딥 러닝 기반 인식 모델은 복잡하고 비협조적인 환경에서 기존의 고버 기반 IrisCode보다 낮은 가짜 비일치율을 기록하며 뛰어난 성능을 보였다.
• 딥 러닝 기반 제현 공격 탐지(PAD)는 CASIA-IITD 및 ROBUS와 같은 벤치마크 데이터셋에서 98% 이상의 정확도를 달성했으며, 다양한 흉내 공격 조건에서도 안정적인 성능을 보였다.
• 형태학적 및 질감 보존 기법을 활용한 딥 러닝 모델을 통한 후사 망막 인식은 사망 후 최대 72시간까지 성공적인 매칭을 보여주며 잠재적 응용 가능성을 보였다.
• 인간-기계 협업 시스템은 저품질 이미지 상황에서 인간의 판단과 모델 예측을 융합함으로써 가짜 거부율을 최대 25%까지 감소시켰다.
• 다른 성과에도 불구하고, 해석 가능성, 데이터 효율성, 다양한 이미징 조건에서의 일반화 능력은 여전히 딥 러닝 기반 망막 인식에서 주요 열린 과제로 남아 있다.