[논문 리뷰] GAN pretraining for deep convolutional autoencoders applied to Software-based Fingerprint Presentation Attack Detection

Tobias Rohrer, Jascha Kolberg|arXiv (Cornell University)|2021. 05. 21.

Biometric Identification and Security인용 수 4

한 줄 요약

이 논문은 단일 클래스 지문 제시 공격 탐지(PAD)를 위한 깊이 신경망 오토인코더를 미리 훈련하기 위해 워샤르스타인 GAN(WGAN)을 사용하는 새로운 전이 학습 방법을 제안한다. 이 방법은 공격 샘플 없이 단지 1,122개의 정상 지문 샘플만으로도 평균 분류 오차율 16.79%를 달성한다. 이는 제한된 실제 데이터로부터 강력한 특징 학습이 가능하고, GAN을 통해 합성 지문 패치를 생성하여 데이터 증강 및 모델 미리 훈련에 활용할 수 있음을 의미한다.

ABSTRACT

The need for reliable systems to determine fingerprint presentation attacks grows with the rising use of the fingerprint for authentication. This work presents a new approach to single-class classification for software-based fingerprint presentation attach detection. The described method utilizes a Wasserstein GAN to apply transfer learning to a deep convolutional autoencoder. By doing so, the autoencoder could be pretrained and finetuned on the LivDet2021 Dermalog sensor dataset with only 1122 bona fide training samples. Without making use of any presentation attack samples, the model could archive an average classification error rate of 16.79%. The Wasserstein GAN implemented to pretrain the autoencoders weights can further be used to generate realistic-looking artificial fingerprint patches. Extensive testing of different autoencoder architectures and hyperparameters led to coarse architectural guidelines as well as multiple implementations which can be utilized for future work.

연구 동기 및 목표

• 최소한의 훈련 데이터로 신뢰할 수 있는 단일 클래스 지문 제시 공격 탐지기의 훈련 문제를 해결하기 위해.
• 초기 가중치 설정에 민감하고 아키텍처 가이드라인이 부족한 탓에 깊이 신경망 오토인코더를 처음부터 훈련하기 어려운 문제를 해결하기 위해.
• GAN을 데이터 생성 외에도 단일 클래스 분류 설정에서 오토인코더 가중치의 미리 훈련에 활용할 수 있는지 탐색하기 위해.
• 향후 PAD 연구를 위해 재사용 가능한 오픈소스 구현체(즉, WGAN, DCGAN, 오토인코더, 데이터 전처리 파이프라인 등)를 제공하기 위해.

제안 방법

• 1,122개의 정상 지문 이미지에서 워샤르스타인 GAN(WGAN)을 훈련하여 실제 지문의 강력한 특징 분포를 학습한다.
• 훈련된 WGAN의 생성기와 판별기를 사용하여 전이 학습을 통해 깊이 신경망 오토인코더의 인코더와 디코더를 미리 훈련한다.
• 입력 패치에 대해 데이터 증강을 적용하고 재구성 손실을 사용하여 동일한 정상 데이터셋에서 오토인코더를 미세 조정한다.
• WGAN의 판별기를 비틀림 없는 지문 패치에 적용하고 출력을 평균 내어 최종 예측을 내기 위해 분류기로 사용한다.
• 배치 정규화, 풀링 대신 스트라이드 컨볼루션, 완전 컨볼루션 블록을 사용하여 오토인코더 훈련의 안정성과 성능을 향상시킨다.
• 제한된 실제 데이터에서 일반화 성능을 향상시키기 위해 광범위한 증강(자르기, 뒤집기, 돌리기, 밝기 조절)을 적용하는 데이터 전처리 파이프라인을 구현한다.

실험 결과

연구 질문

• RQ1 공격 샘플이 전혀 없이도 WGAN를 사용해 깊이 신경망 오토인코더를 단일 클래스 지문 제시 공격 탐지에 효과적으로 미리 훈련시킬 수 있는가?
• RQ2 전이 학습을 통한 GAN 기반 미리 훈련과 처음부터 오토인코더를 훈련하는 것 간에 재구성 정확도와 분류 성능에서 어떤 차이가 있는가?
• RQ3 깊이 신경망 오토인코더의 훈련 안정성과 성능을 향상시키는 데 있어 아키텍처 및 하이퍼파라미터 선택에서 어떤 요소가 중요한가?
• RQ4 WGAN 생성기는 다양하고 현실적인 합성 지문 패치를 생성할 수 있는가? 이는 데이터 증강이나 모델 평가에 활용 가능할까?
• RQ5 데이터 증강은 정상 샘플 수가 매우 적은 경우 단일 클래스 분류기의 일반화 성능을 어느 정도 향상시키는가?

주요 결과

• 제안된 WGAN로 미리 훈련된 오토인코더는 LivDet2021 Dermalog 데이터셋에서 정상 샘플 1,122개와 공격 샘플 없이도 평균 분류 오차율 16.79%를 달성했다.
• 전이 학습 없이 오토인코더를 처음부터 훈련한 경우 동일한 평가 프로토콜 하에서 평균 분류 오차율 23%로 유의미하게 열악한 성능을 보였다.
• WGAN는 다양한 현실적인 합성 지문 패치를 성공적으로 생성하여 잠재 공간 내의 매끄러운 보간과 높은 시각적 다양성을 확보했다.
• 배치 정규화, 스트라이드 컨볼루션, 완전 컨볼루션 블록의 사용이 훈련 수렴과 모델 안정성 향상에 크게 기여했다.
• WGAN의 판별기만을 패치 수준 분류에 적용했을 때는 신뢰할 수 없는 결과를 도출하여 이 작업에 직접적인 GAN 기반 분류가 한계를 가짐을 시사했다.
• 저자들은 향후 연구를 위해 데이터 파이프라인, WGAN, DCGAN, 다양한 오토인코더 아키텍처, 변동형 오토인코더의 텐서플로우 구현체를 공개했다.