[논문 리뷰] End-to-End Fingerprints Liveness Detection using Convolutional Networks with Gram module

Eunsoo Park, Xuenan Cui외 2명|arXiv (Cornell University)|2018. 03. 21.

Biometric Identification and Security참고 문헌 17인용 수 15

한 줄 요약

이 논문은 여러 층에서 추출한 그람 행렬을 통해 텍스처 특징을 활용하는 새로운 그람 모듈을 갖춘 엔드 투 엔드 컨볼루션 네트워크(CNN)를 제안한다. 이 모델은 LivDet 2011, 2013, 2015 벤치마크에서 평균 오차율 2.61%를 기록하며 약 1.2MB의 파rameter만을 사용하여 실제 지문과 가짜 지문을 높은 정확도와 효율성으로 구분함을 보여준다.

ABSTRACT

This paper proposes an end-to-end CNN(Convolutional Neural Networks) model that uses gram modules with parameters that are approximately 1.2MB in size to detect fake fingerprints. The proposed method assumes that texture is the most appropriate characteristic in fake fingerprint detection, and implements the gram module to extract textures from the CNN. The proposed CNN structure uses the fire module as the base model and uses the gram module for texture extraction. Tensors that passed the fire module will be joined with gram modules to create a gram matrix with the same spatial size. After 3 gram matrices extracted from different layers are combined with the channel axis, it becomes the basis for categorizing fake fingerprints. The experiment results had an average detection error of 2.61% from the LivDet 2011, 2013, 2015 data, proving that an end-to-end CNN structure with few parameters that is able to be used in fake fingerprint detection can be designed.

연구 동기 및 목표

• 정확하고 효율적인 실제 지문과 가짜 지문을 구분하는 작고 통합된 딥 러닝 모델을 개발하는 것.
• 특히 그람 행렬을 통한 텍스처 기반 특징의 효과성을 탐색하여 실제 지문과 가짜 지문을 구분하는 데 기여하는지 검토하는 것.
• 고성능 탐지 성능를 유지하면서도 파rameter를 최소화하는 CNN 아키텍처를 설계하는 것.
• 그람 모듈을 파이어 모듈 기반 CNN에 통합하여 텍스처 표현 학습을 향상시키는 것.
• 다양한 벤치마크 데이터셋(LivDet 2011, 2013, 2015) 간의 일반화 성능을 검증하는 것.

제안 방법

• 모델은 계층적 특징을 효율적으로 추출하기 위해 기초 CNN 아키텍처로 파이어 모듈을 사용한다.
• 특정 컨볼루션 층 이후에 그람 모듈을 삽입하여 텍스처 정보를 캡처하는 그람 행렬을 계산한다.
• 세 가지 다른 층에서 유도된 그람 행렬을 채널 차원에 따라 연결하여 통합된 텍스처 표현을 형성한다.
• 연결된 특징 맵을 최종 분류기의 입력으로 사용하여 실제/가짜 지문 분류를 수행한다.
• 표준 크로스 엔트로피 손실 함수를 사용하여 전체 네트워크를 엔드 투 엔드로 훈련시킨다.
• 그람 모듈은 채널 간 특징 맵의 내적 곱을 계산하여 공간적 텍스처 패턴을 유지한다.

실험 결과

연구 질문

• RQ1 최소한의 파rameter를 가진 경량 CNN이 지문 생체 인식 검사에서 높은 정확도를 달성할 수 있는가?
• RQ2 그람 행렬을 통해 캡처된 텍스처 기반 특징 표현이 실제 지문과 가짜 지문을 효과적으로 구분하는 데 기여하는가?
• RQ3 파이어 모듈 기반 아키텍처에 그람 모듈을 통합하면 성능 향상과 함께 모델 효율성을 유지할 수 있는가?
• RQ4 제안된 모델은 다양한 지문 생체 인식 검사 벤치마크에서 얼마나 잘 일반화되는가?
• RQ5 그람 모듈을 탑재한 엔드 투 엔드 훈련 전략이 기존의 수작업으로 구성된 텍스처 방법보다 우수한가?

주요 결과

• 제안된 모델은 LivDet 2011, 2013, 2015 데이터셋에서 평균 탐지 오차율 2.61%를 기록했다.
• 모델은 약 1.2MB의 파rameter만을 사용하여 높은 파rameter 효율성을 입증했다.
• 그람 모듈의 통합은 텍스처 표현을 크게 향상시켜 탐지 정확도를 향상시켰다.
• 엔드 투 엔드 훈련 전략은 수작업 특징 추출 요소 없이 효과적인 특징 학습을 가능하게 했다.
• 모델는 다양한 벤치마크 데이터셋 간에 강력한 일반화 성능를 보였으며, 스푸핑 방법의 변동에 대해 강인함을 시사했다.
• 다양한 층에서 유도된 그람 행렬의 사용은 최종 특징 표현의 구분 능력을 향상시켰다.