[논문 리뷰] Pilot Comparative Study of Different Deep Features for Palmprint Identification in Low-Quality Images

Ahmad S. Tarawneh, Dmitry Chetverikov외 1명|arXiv (Cornell University)|2018. 04. 10.

Biometric Identification and Security참고 문헌 17인용 수 32

한 줄 요약

이 연구는 SVM를 사용하여 저해상도 영상에서 손바닥 무늬 인식을 위해 사전 훈련된 깊은 CNN(AlexNet, VGG-16, VGG-19)을 평가한다. 결과적으로 더 깊은 네트워크(VGG-16, VGG-19)가 얕은 네트워크보다 더 구분력 있는 특징을 추출하며, 특히 고해상도 COEP 데이터보다 도전적인 저대비, 그림자 있는 MOHI 영상에서 낮은 레이어의 완전 연결층이 더 높은 인식 정확도를 보인다.

ABSTRACT

Deep Convolutional Neural Networks (CNNs) are widespread, efficient tools of visual recognition. In this paper, we present a comparative study of three popular pre-trained CNN models: AlexNet, VGG-16 and VGG-19. We address the problem of palmprint identification in low-quality imagery and apply Support Vector Machines (SVMs) with all of the compared models. For the comparison, we use the MOHI palmprint image database whose images are characterized by low contrast, shadows, and varying illumination, scale, translation and rotation. Another, high-quality database called COEP is also considered to study the recognition gap between high-quality and low-quality imagery. Our experiments show that the deeper pre-trained CNN models, e.g., VGG-16 and VGG-19, tend to extract highly distinguishable features that recognize low-quality palmprints more efficiently than the less deep networks such as AlexNet. Furthermore, our experiments on the two databases using various models demonstrate that the features extracted from lower-level fully connected layers provide higher recognition rates than higher-layer features. Our results indicate that different pre-trained models can be efficiently used in touchless identification systems with low-quality palmprint images.

연구 동기 및 목표

• 저해상도 영상 조건에서 사전 훈련된 깊은 CNN의 성능을 평가하는 것.
• 저해상도 손바닥 무늬 영상에서 AlexNet, VGG-16, VGG-19의 특징 추출 능력을 비교하는 것.
• 네트워크 깊이와 레이어 위치가 인식 정확도에 미치는 영향을 분석하는 것.
• 고해상도(COEP)와 저해상도(MOHI) 손바닥 무늬 데이터베이스 간의 성능 격차를 정량화하는 것.

제안 방법

• 사전 훈련된 CNN 모델(AlexNet, VGG-16, VGG-19)을 손바닥 무늬 영상에서 특징 추출을 위해 미세조정한다.
• 각 네트워크의 완전 연결층에서 특징를 추출하며, 낮은 레이어와 높은 레이어에 중점을 둔다.
• 추출된 특징의 분류기로 서포트 벡터 머신(SVM)을 사용한다.
• 두 데이터셋(MOHI: 저해상도, 그림자, 저대비; COEP: 고해상도)에서 실험을 수행한다.
• 특징의 구분 능력을 평가하기 위해 다양한 레이어와 모델에서 인식 정확도를 평가한다.
• 도전적인 촬영 조건에서 모델 성능을 평가하기 위해 표준 지표를 사용한 비교 분석을 수행한다.

실험 결과

연구 질문

• RQ1 저해상도 영상에서 손바닥 무늬 인식에 가장 우수한 성능을 보이는 사전 훈련된 CNN 아키텍처는 AlexNet, VGG-16, 또는 VGG-19 중 어느 것인가?
• RQ2 동일한 CNN 모델 내에서 다양한 레이어에서 깊은 특징의 성능는 어떻게 달라지는가?
• RQ3 고해상도(COEP)와 저해상도(MOHI) 손바닥 무늬 데이터베이스 간의 인식 정확도 격차는 얼마인가?
• RQ4 저해상도 환경에서 낮은 레이어의 완전 연결층이 높은 레이어보다 더 구분력 있는 특징를 추출하는가?
• RQ5 사전 훈련된 모델을 사용한 전이 학습은 그림자와 저대비와 같은 실세계의 과제를 효과적으로 다룰 수 있는가?

주요 결과

• VGG-16 및 VGG-19는 더 깊은 아키텍처와 향상된 특징 표현 덕분에 저해상도 손바닥 무늬 영상에서 AlexNet보다 뛰어난 성능을 보인다.
• MOHI 데이터셋에서 낮은 레이어의 완전 연결층(fc6, fc7)이 높은 레이어(fc8)보다 유의미하게 높은 인식률을 기록한다.
• COEP(고해상도)와 MOHI(저해상도) 데이터셋 간의 인식 정확도 격차는 상당히 크며, 저해상도 영상의 과제를 강조한다.
• 더 깊은 네트워크(VGG-16/19)의 특징는 조명 변화, 그림자, 저대비 등 손바닥 무늬 영상에서의 강인성을 보인다.
• 사전 훈련된 CNN과 SVM의 조합은 실세계 조건에서 터치리스 손바닥 무늬 식별을 위한 효과적인 전이 학습을 가능하게 한다.
• 이 연구는 네트워크 깊이와 레이어 위치가 저해상도 영상 인식에서 특징 품질에 중요한 요소임을 확인한다.