[논문 리뷰] Deep Learning for Iris Recognition: A Review

Yimin Yin, Siliang He외 4명|arXiv (Cornell University)|2023. 03. 15.

Biometric Identification and Security인용 수 11

한 줄 요약

2016–2022년까지 심층학습 기반 홍채 인식에 대한 포괄적 고찰로 식별, 분할, 표시 공격 탐지(PAD), 로컬라이제이션을 다루며 데이터셋과 도전과제 포함.

ABSTRACT

Iris recognition is a secure biometric technology known for its stability and privacy. With no two irises being identical and little change throughout a person's lifetime, iris recognition is considered more reliable and less susceptible to external factors than other biometric recognition methods. Unlike traditional machine learning-based iris recognition methods, deep learning technology does not rely on feature engineering and boasts excellent performance. This paper collects 120 relevant papers to summarize the development of iris recognition based on deep learning. We first introduce the background of iris recognition and the motivation and contribution of this survey. Then, we present the common datasets widely used in iris recognition. After that, we summarize the key tasks involved in the process of iris recognition based on deep learning technology, including identification, segmentation, presentation attack detection, and localization. Finally, we discuss the challenges and potential development of iris recognition. This review provides a comprehensive sight of the research of iris recognition based on deep learning.

연구 동기 및 목표

• 홍채 인식을 안정적이고 안전한 생체인식 모듈로 정의하고, 딥러닝이 전통적인 수작업 특징에 비해 얼마나 개선되는지 평가한다.
• 광범위하게 사용되는 홍채 데이터셋과 그 특징을 체계적으로 정리하여 DL 기반 연구를 안내한다.
• 주요 홍채 인식 과제(식별, 분할, PAD, 로컬라이제이션)에 걸친 딥러닝 접근법을 요약하고 아키텍처 및 학습 전략을 비교한다.
• 현재의 도전과제를 식별하고 DL 기반 홍채 인식에 대한 잠재적 미래 연구 방향을 제시한다.

제안 방법

• 2016–2022년에 발표된 홍채 인식을 위한 딥러닝 관련 120편의 논문에 대한 체계적 고찰.
• 식별, 분할, presentation attack detection(PAD), 로컬라이제이션으로 홍채 인식 과제의 분류 체계.
• 분할에 사용된 네트워크 아키텍처(FCN, U-Net)와 특징 추출(AlexNet, DenseNet, ResNet, 맞춤형 네트워크)의 논의.
• IITD, UBIRIS.v2, ND-IRIS-0405, CASIA 변형, 기타 데이터세트와 DL 평가에서의 역할에 대한 분석.
• 매칭/분류 접근법(SVM, KNN, HD, 코사인, 유클리드)과 수작업 특징과 DL 특징의 융합에 대한 종합.
• 데이터셋 편향성, 변동성, 그리고 표시 공격 문제와 같은 도전과제를 강조하고 향후 연구 방향을 제시.

실험 결과

연구 질문

• RQ1 가장 영향력 있는 데이터셋은 무엇이며 이들이 DL 기반 홍채 인식 연구를 어떻게 지원하는가?
• RQ2 홍채 식별, 분할, PAD, 로컬라이제이션에 사용되는 DL 아키텍처와 처리 파이프라인(end-to-end vs non-end-to-end)은 무엇인가?
• RQ3 DL 방식은 전통적인 수작업 특징 및 고전 분류기와 비교하여 홍채 식별에서 어떻게 성능을 발휘하는가?
• RQ4 DL을 홍채 인식에 적용하는 데 있어 주요 도전과제와 향후 연구 방향은 무엇인가?

주요 결과

• DL 기법은 고수준의 홍채 표현을 자동으로 학습하며 특징 추출 작업에서 수작업 특징보다 성능이 우수한 경우가 많다.
• DenseNet 기반 특징은 LG2200(여섯 번째 층)에서 98.7%, CASIA-Iris-Thousand(다섯 번째 층)에서 98.8%의 정확도와 같은 높은 성능을 달성했다.
• 적합한 데이터세트에서 CNN 기반 특징 추출과 분류기를 결합한 경우 강력한 성능을 보였으며, 예를 들어 ResNet-50 특징과 PCA를 이용한 CASIA-Iris-Thousand에서 96.41% ACC, IITD에서 다른 연구에서 99.4% RR을 달성했다.
• End-to-end가 아닌 비 엔드투엔드 홍채 식별 접근은 여전히 전처리, 특징 추출 및 매칭 단계를 필요로 하며, SVM, HD, 코사인 유사도, MLP가 일반적인 분류기/매처로 사용된다.
• DL 연구에서 널리 쓰이는 공개 홍채 데이터셋으로 IITD, UBIRIS.v2, ND-IRIS-0405, MICHE-I, CASIA-V4 변형, Clarkson, Warsaw, Notre Dame, IIITD-WVU 등이 있다.
• 본 고는 DL 기반 홍채 인식 과제에 대한 체계적 개요를 제공하고 현재의 격차 및 향후 방향(데이터셋, 분할, PAD, 로컬라이제이션, 엔드 투 엔드 학습)을 강조한다.