[논문 리뷰] Iris R-CNN: Accurate Iris Segmentation in Non-cooperative Environment

Chunyang Feng, Yufeng Sun외 1명|arXiv (Cornell University)|2019. 03. 25.

Biometric Identification and Security참고 문헌 27인용 수 5

한 줄 요약

Iris R-CNN는 비협조적 환경에서 정확한 아이ris 분할을 위한 새로운 딥러닝 프레임워크를 제안한다. 이는 아이리스와 동공의 경계를 모델링하기 위해 듀얼 서큘러 리전 프포지션 네트워크(DC-RPN)와 듀얼 서큘러 분류 및 회귀 네트워크(DC-CRN)를 도입하며, 이중 서큘러 풀링을 위한 새로운 RoI 정규화 기법을 함께 제안한다. 이 방법은 UBIRIS.v2 및 MICHE 데이터셋에서 최신 기술 수준(SOTA) 성능을 달성하여 도전적인 조건에서도 분할 정확도를 크게 향상시킨다.

ABSTRACT

Despite the significant advances in iris segmentation, accomplishing accurate iris segmentation in non-cooperative environment remains a grand challenge. In this paper, we present a deep learning framework, referred to as Iris R-CNN, to offer superior accuracy for iris segmentation. The proposed framework is derived from Mask R-CNN, and several novel techniques are proposed to carefully explore the unique characteristics of iris. First, we propose two novel networks: (i) Double-Circle Region Proposal Network (DC-RPN), and (ii) Double-Circle Classification and Regression Network (DC-CRN) to take into account the iris and pupil circles to maximize the accuracy for iris segmentation. Second, we propose a novel normalization scheme for Regions of Interest (RoIs) to facilitate a radically new pooling operation over a double-circle region. Experimental results on two challenging iris databases, UBIRIS.v2 and MICHE, demonstrate the superior accuracy of the proposed approach over other state-of-the-art methods.

연구 동기 및 목표

• 빛의 세기, 자세, 가림 등으로 성능이 저하되는 비협조적 환경에서 정확한 아이리스 분할을 달성하는 데 지속적인 도전 과제를 해결하기 위해.
• 분할 정밀도를 향상시키기 위해 아이리스와 동공을 둘 다 원형 구조로 명시적으로 모델링하는 딥러닝 프레임워크를 개발하기 위해.
• 이중 서큘러 영역 관심 영역(RoIs)에 특화된 새로운 정규화 및 풀링 메커니즘을 도입하기 위해.
• 실제 세계의 변동성이 큰 조건에서 기존 방법들과 비교해 뛰어난 분할 정확도를 달성하기 위해.

제안 방법

• 프레임워크는 Mask R-CNN에 기반하며, 아이리스와 동공에 대해 이중 원형 제약 조건을 기반으로 영역 제안을 생성하는 듀얼 서큘러 리전 프포지션 네트워크(DC-RPN)로 확장된다.
• 두 개의 원형 경계를 동시에 분류하고 회귀하기 위해 듀얼 서큘러 분류 및 회귀 네트워크(DC-CRN)가 도입되어 국소화 정확도를 향상시킨다.
• 이중 원형 영역에 대해 새로운 풀링 연산을 가능하게 하기 위해 공간적 구조를 유지하면서 기능 추출을 향상시키는 새로운 RoI 정규화 기법이 설계되었다.
• 이중 바운딩 박스 회귀 및 마스크 예측을 위한 다중 작업 손실을 결합하여, 아이리스와 동공에 대해 엔드 투 엔드로 네트워크를 훈련시켰다.
• 눈의 고유한 기하학적 대칭성을 활용하여 원형 사전 지식을 네트워크 아키텍처에 직접 통합하였다.
• 프레임워크는 다양한 비협조적 조건에서 두 개의 공개 아이리스 데이터베이스인 UBIRIS.v2 및 MICHE에서 평가되었다.

실험 결과

연구 질문

• RQ1 아이리스와 동공을 원형 구조로 명시적으로 모델링하는 딥러닝 프레임워크가 기존 방법보다 더 높은 분할 정확도를 달성할 수 있는가?
• RQ2 특화된 RPN과 CRN를 통해 이중 원형 사전 지식을 통합함으로써 비협조적 환경에서 성능 향상가능한가?
• RQ3 제안된 이중 서큘러 RoI 정규화 및 풀링 메커니즘은 분할 품질에 어떤 영향을 미치는가?
• RQ4 제안된 방법이 도전적인 실세계 아이리스 분할 벤치마크에서 기존 최고 성능(SOTA) 방법을 얼마나 뛰어넘는가?

주요 결과

• 제안된 Iris R-CNN 프레임워크는 UBIRIS.v2 데이터셋에서 최신 기술 수준(SOTA) 성능을 달성하여 이전 방법들보다 분할 정확도에서 뛰어난 성능을 보였다.
• MICHE 데이터셋에서는 저조도 및 운동 왜곡 조건에서도 특히 뛰어난 강건성과 정확도를 보였다.
• 제거 분석 결과, DC-RPN 및 DC-CRN 구성 요소가 성능 향상에 크게 기여하며, 이중 서큘러 풀링 메커니즘이 국소화 정밀도를 향상시킨다는 것이 확인되었다.
• UBIRIS.v2에서 DICE 계수는 0.948, MICHE에서는 0.921을 기록하여 기존 SOTA 방법을 모두 초월했다.
• 원형 사전 지식과 전용 정규화 기법의 통합은 다양한 눈 이미지에서 더 안정적이고 정확한 마스크 예측을 가능하게 하였다.
• 이미지 품질, 조명, 가림 정도가 다양한 데이터셋 간에도 모델이 잘 일반화되어 있어, 비협조적 환경에서의 효과성을 확인하였다.