[논문 리뷰] Patch-based Fake Fingerprint Detection Using a Fully Convolutional Neural Network with a Small Number of Parameters and an Optimal Threshold

Eunsoo Park, Xuenan Cui외 3명|arXiv (Cornell University)|2018. 03. 21.

Biometric Identification and Security참고 문헌 21인용 수 9

한 줄 요약

이 논문은 분할 처리가 필요 없이 패치 기반으로 패치를 살아있는 지, 가짜인지, 배경인지 분류하는 경량의 완전 컨volution 신경망(FCN)을 제안한다. SqueezeNet 유사한 Fire 모듈을 사용하여 모델은 오직 2.0 MB의 메모리 사용량과 최적의 임계값을 적용했을 때 평균 분류 오차 1.35%를 달성하여 자원이 제한된 장치에서도 고정밀도 탐지가 가능하다.

ABSTRACT

Fingerprint authentication is widely used in biometrics due to its simple process, but it is vulnerable to fake fingerprints. This study proposes a patch-based fake fingerprint detection method using a fully convolutional neural network with a small number of parameters and an optimal threshold to solve the above-mentioned problem. Unlike the existing methods that classify a fingerprint as live or fake, the proposed method classifies fingerprints as fake, live, or background, so preprocessing methods such as segmentation are not needed. The proposed convolutional neural network (CNN) structure applies the Fire module of SqueezeNet, and the fewer parameters used require only 2.0 MB of memory. The network that has completed training is applied to the training data in a fully convolutional way, and the optimal threshold to distinguish fake fingerprints is determined, which is used in the final test. As a result of this study experiment, the proposed method showed an average classification error of 1.35%, demonstrating a fake fingerprint detection method using a high-performance CNN with a small number of parameters.

연구 동기 및 목표

• 가짜 지문을 이용한 스푸핑 공격에 취약한 지문 인증 기술의 문제를 해결하기 위해.
• 분할 처리와 같은 사전 처리 단계에 의존도를 줄이기 위해 패치를 살아있는 지, 가짜인지, 배경인지로 분류함으로써.
• 저자원 시스템에 배포 가능한 최소한의 파rameter를 가진 컴act한 딥 러닝 모델을 개발하기 위해.
• 실제 응용에서 분류 정확도를 극대화하기 위해 탐지 임계값을 최적화하기 위해.

제안 방법

• 이 방법은 파라미터 수를 최소화하기 위해 Fire 모듈을 사용한 SqueezeNet 아키텍처 기반의 완전 컨볼루션 신경망(FCN)을 사용한다.
• 입력 지문 이미지는 작은 패치로 나뉘며, 이는 FCN에 의해 독립적으로 처리되어 살아있는 지, 가짜인지, 배경인지에 대한 클래스 확률을 예측한다.
• 네트워크는 전체 지문 이미지에 걸쳐 조밀한 예측을 가능하게 하기 위해 엔드 투 엔드로 완전히 컨볼루션 방식으로 훈련된다.
• 가짜와 살아있는 패치를 최소 오차로 구분하기 위해 검증 데이터를 사용해 훈련 후 최적의 임계값을 결정한다.
• 명시적인 분할 처리를 피하기 위해 배경 패치를 별도의 클래스로 간주함으로써 사전 처리를 단순화한다.
• 최종 탐지 결정은 패치 수준의 예측을 집계하고 최적의 임계값을 적용하여 전체 지문을 분류함으로써 내림받는다.

실험 결과

연구 질문

• RQ1 최소한의 파라미터를 가진 경량 CNN이 분할 처리 없이도 높은 정확도로 가짜 지문을 탐지할 수 있는가?
• RQ2 살아있는 지, 가짜, 배경의 세 가지 카테고리로 패치를 분류하는 것이 이진 분류에 비해 탐지 성능을 어떻게 향상시키는가?
• RQ3 패치 기반 예측을 사용할 때 가짜 지문을 구분하기 위한 최적의 임계값은 무엇인가?
• RQ4 FCN에서 Fire 모듈을 사용함으로써 모델 크기가 얼마나 감소하고 정확도는 유지되는가?
• RQ5 제안된 방법은 계산 및 메모리 자원이 제한된 장치에 효과적으로 배포될 수 있는가?

주요 결과

• 제안된 방법은 테스트 세트에서 평균 분류 오차 1.35%를 달성하여 높은 탐지 정확도를 입증했다.
• Fire 모듈 기반의 컴act한 아키텍처 덕분에 모델은 오직 2.0 MB의 메모리만 사용하여 저자원 장치에 배포 가능하다.
• 살아있는 지, 가짜, 배경의 세 클래스로 패치를 분류함으로써 별도의 분할 사전 처리가 필요 없어졌다.
• 완전 컨볼루션 설계 덕분에 전체 지문 이미지에 걸쳐 조밀한 패치 기반 예측이 가능해지며, 공간 일관성이 향상되었다.
• 훈련 후 캘리브레이션 과정에서 결정된 최적의 임계값이 거짓 경고율과 거짓 부정률 간의 균형을 크게 향상시켰다.
• 최소한의 파라미터로 엔드 투 엔드 학습을 활용함으로써 수동 특징 추출이나 이진 분류에 의존하는 전통적 방법보다 성능이 뛰어나다.