[논문 리뷰] Fingerprint Classification Based on Depth Neural Network

Ruxin Wang, Congying Han외 2명|arXiv (Cornell University)|2014. 09. 18.

Biometric Identification and Security참고 문헌 5인용 수 38

한 줄 요약

이 논문은 깊이 학습 기반의 지문 분류 방법을 제안하며, 스파스 자동에코더를 사용해 방향성 필드 특징을 학습하고, 새로운 퍼지 분류 전략을 적용한 소프트맥스 회귀를 수행한다. 이 방법은 0.95 확률 임계값에서 98.0%의 정확도를 달성하여 기존 표준 방법보다 훨씬 뛰어나며, 상위 두 클래스 점수의 확률적 융합을 통해 오분류를 감소시킨다.

ABSTRACT

Fingerprint classification is an effective technique for reducing the candidate numbers of fingerprints in the stage of matching in automatic fingerprint identification system (AFIS). In recent years, deep learning is an emerging technology which has achieved great success in many fields, such as image processing, natural language processing and so on. In this paper, we only choose the orientation field as the input feature and adopt a new method (stacked sparse autoencoders) based on depth neural network for fingerprint classification. For the four-class problem, we achieve a classification of 93.1 percent using the depth network structure which has three hidden layers (with 1.8% rejection) in the NIST-DB4 database. And then we propose a novel method using two classification probabilities for fuzzy classification which can effectively enhance the accuracy of classification. By only adjusting the probability threshold, we get the accuracy of classification is 96.1% (setting threshold is 0.85), 97.2% (setting threshold is 0.90) and 98.0% (setting threshold is 0.95). Using the fuzzy method, we obtain higher accuracy than other methods.

연구 동기 및 목표

• 깊이 신경망을 활용해 비지도 특징 학습을 수행함으로써 AFIS에서의 지문 분류 정확도를 향상시키기 위해.
• 노이즈 및 오류에 민감한 수동 특징 설계 및 단일점 검출에 대한 의존도를 줄이기 위해.
• 다중 확률 점수 기반의 퍼지 분류 방법을 도입하여 분류의 강인성을 향상시키기 위해.
• 실세계 AFIS 구현을 위해 최소한의 계산 오버헤드로 높은 정확도의 분류를 달성하기 위해.

제안 방법

• 단일점 검출이 필요 없도록 지문 영상의 방향성 필드를 입력으로 사용한다.
• 지문 패턴의 계층적이고 저차원의 표현을 학습하기 위해 비지도 사전 훈련을 위한 3층의 스태킹된 스파스 자동에코더를 적용한다.
• 학습된 특징을 바탕으로 다중 클래스 분류를 위해 소프트맥스 회귀를 수행하며, 네 가지 클래스로 분류한다: 왼쪽 루프, 오른쪽 루프, 아치, 도리.
• 상위 두 예측 확률을 융합하여 모호하거나 잘못 분류된 샘플을 식별하고 재분류하는 퍼지 분류 전략을 도입한다.
• 기각률을 제어하고 전체 정확도를 향상시키기 위해 적응형 확률 임계값(0.85, 0.90, 0.95)을 설정한다.
• 이전에 잘못 분류된 샘플의 30%를 복구하기 위해 첫 번째 및 두 번째로 높은 확률의 합을 새로운 조건으로 사용한다.

실험 결과

연구 질문

• RQ1 스택드 스파스 자동에코더를 갖춘 딥 네트워크가 단일점에 의존하지 않고 방향성 필드에서 분류 가능한 지문 특징을 효과적으로 학습할 수 있는가?
• RQ2 상위 두 예측 확률 기반의 퍼지 분류 방법은 표준 분류 방법에 비해 지문 분류 정확도를 어떻게 향상시키는가?
• RQ3 지문 분류에서 정확도와 기각률을 균형 잡기 위한 최적의 확률 임계값은 무엇인가?
• RQ4 두 번째로 높은 클래스 확률의 합은 잘못 분류된 샘플을 복구하는 데 신뢰할 수 있는 기준이 될 수 있는가?

주요 결과

• 제안된 방법은 NIST-DB4 데이터셋에서 3개의 은닉층을 갖는 표준 딥 네트워크를 사용하여 93.1%의 분류 정확도를 달성한다.
• 0.95의 임계값을 갖는 퍼지 분류를 적용함으로써 정확도가 98.0%로 향상되었으며, 이는 기준 방법에 비해 뚜렷한 향상임을 보여준다.
• 첫 번째 및 두 번째 확률의 합을 복구 조건으로 사용할 경우 오분류가 30% 감소하며, 특히 모호한 케이스에서 두드러진다.
• 2차 분류를 통해 의심스러운 지문에 대해 99% 이상의 정확도를 달성하면서도 낮은 계산 비용을 유지한다.
• 스파스 자동에코더를 통한 방향성 필드 복원은 구조적 패턴을 효과적으로 유지하며, 노이즈 또는 모호한 경우에도 정확한 분류를 가능하게 한다.