[논문 리뷰] An Experimental Study of Deep Convolutional Features For Iris Recognition

Shervin Minaee, AmirAli Abdolrashidi외 1명|arXiv (Cornell University)|2017. 02. 04.

Biometric Identification and Security참고 문헌 35인용 수 6

한 줄 요약

이 논문은 분할 또는 미세조정 없이 사전 훈련된 VGG-Net 특징을 이용하여 고유한 특징을 직접 추출함으로써 전이 학습을 활용해 고유 인식을 수행하는 방법을 제안한다. 이 방법은 단순한 PCA와 SVM 파ip을 사용하여 IIT Delhi 데이터셋에서 99.4%의 인식 정확도를 달성하였으며, 이는 이전 최고 성능 기법을 뛰어넘는 결과로, 분할 또는 작업에 특화된 적응 없이도 깊이 있는 특징이 매우 강건하고 구별 능력이 뛰어나다는 것을 보여준다.

ABSTRACT

Iris is one of the popular biometrics that is widely used for identity authentication. Different features have been used to perform iris recognition in the past. Most of them are based on hand-crafted features designed by biometrics experts. Due to tremendous success of deep learning in computer vision problems, there has been a lot of interest in applying features learned by convolutional neural networks on general image recognition to other tasks such as segmentation, face recognition, and object detection. In this paper, we have investigated the application of deep features extracted from VGG-Net for iris recognition. The proposed scheme has been tested on two well-known iris databases, and has shown promising results with the best accuracy rate of 99.4\%, which outperforms the previous best result.

연구 동기 및 목표

• 사전 훈련된 VGG-Net(일반 물체 인식을 위해 ImageNet에서 훈련된)의 깊이 있는 특징이 고유 인식이라는 다른 생체 인식 작업으로 효과적으로 전이될 수 있는지 조사하는 것.
• 분할 또는 아키텍처 적응 없이도 표준 고유 인식 데이터셋에서 이러한 깊이 있는 특징의 성능을 평가하는 것.
• 기존 수작업 특징 방법과 비교하여 제안된 전이 학습 접근법의 정확도 및 강건성 측면에서의 성능을 평가하는 것.
• 다양한 VGG-Net 레이어와 PCA 차원 수가 인식 성능에 미치는 영향을 분석하는 것.
• 주어진 주제당 훈련 샘플 수의 변화에 따라 이 방법의 강건성이 어떻게 영향을 받는지 평가하는 것.

제안 방법

• 사전 훈련된 VGG-Net을 고정된 특징 추출기로 사용하며, 최종 완전 연결층을 제거하여 이전 레이어들로부터 깊이 있는 특징을 추출한다.
• 분할 없이 고유 이미지를 그대로 네트워크에 입력하여 특징 학습을 위한 원본 입력을 유지한다.
• 추출된 특징의 차원을 감소시켜 계산 효율성을 향상시키고 노이즈를 줄이기 위해 주성분 분석(PCA)을 적용한다.
• PCA 차원 감소 이후 다중 클래스 서포트 벡터 머신(SVM)을 사용하여 분류를 수행하고 주제 식별을 수행한다.
• VGG-Net의 여러 레이어에서 추출된 특징을 평가하여 고유 인식에 가장 구별 능력이 높은 표현을 제공하는 레이어를 도출한다.
• 아브라션 연구를 통해 훈련 샘플 수와 PCA 성분 수를 고려하여 CASIA-1000 및 IIT Delhi 두 가지 벤치마크 데이터셋에서 실험을 수행한다.

실험 결과

연구 질문

• RQ1 ImageNet에서 훈련된 사전 훈련된 VGG-Net에서 유도된 깊이 있는 특징이 고유 인식이라는 다른 생체 인식 작업으로 일반화될 수 있는가?
• RQ2 기존의 수작업 특징 방법과 비교하여 깊이 있는 특징의 인식 정확도는 표준 고유 인식 데이터셋에서 어떻게 다른가?
• RQ3 VGG-Net의 어느 레이어에서 가장 구별 능력 있는 특징을 얻을 수 있으며, 왜 더 깊은 레이어에서는 성능이 저하되는가?
• RQ4 이 제안된 방법은 주어진 주제당 훈련 샘플 수에 얼마나 민감한가? 고정된 정확도를 달성하기 위해 필요한 최소 샘플 수는 얼마인가?
• RQ5 고유 인식에 대한 분할이 없는 것이 깊이 있는 특징 기반 접근법의 성능에 어느 정도 영향을 미치는가?

주요 결과

• 제안된 방법은 IIT Delhi 데이터셋에서 99.4%의 인식 정확도를 달성하였으며, 이는 이전 최고 성능인 99.2%의 산란 변환 특징을 사용한 결과를 뛰어넘는 성과이다.
• 단지 100개의 PCA 성분만으로도 IIT Delhi 데이터셋에서 98% 이상의 정확도를 확보하였으며, 그 이상의 성분 수에서는 성능 향상이 거의 없었다.
• VGG-Net의 10번째 레이어에서 추출된 특징이 가장 높은 인식 정확도를 기록하였으며, 이는 중간 수준의 특징이 고도로 추상화된 특징보다 더 구별 능력이 뛰어나다는 것을 시사한다.
• 주어진 주제당 최소 3개의 훈련 샘플이 존재할 경우에도 방법이 강건하게 유지되었으며, 1~2개 샘플보다는 상당한 성능 향상을 보였다.
• 분할 또는 미세조정 없이도 최고의 정확도를 달성하였으며, 이는 깊이 있는 특징이 고유 이미지 내의 반복 변형에 대해 매우 강건하다는 것을 보여준다.
• 더 깊은 레이어(7번째 이후 레이어)에서 추출된 특징의 성능은 98% 이상을 유지하였지만, 가장 높은 레이어에서는 약간의 성능 저하가 있었으며, 이는 매우 추상화된 표현에서 구별 능력 정보가 손실된다는 것을 시사한다.