[논문 리뷰] DeepIris: Iris Recognition Using A Deep Learning Approach

Shervin Minaee, AmirAli Abdolrashidi|arXiv (Cornell University)|2019. 07. 22.

Biometric Identification and Security참고 문헌 26인용 수 43

한 줄 요약

논문은 사전 학습된 ResNet50 모델을 사용한 엔드투엔드 전이 학습 기반의 홍채 인식 시스템을 IIT Delhi 홍채 데이터로 미세조정하여 소수 샷 학습에서도 높은 정확도를 달성하고 중요한 홍채 영역에 대한 주의 시각화를 제공합니다.

ABSTRACT

Iris recognition has been an active research area during last few decades, because of its wide applications in security, from airports to homeland security border control. Different features and algorithms have been proposed for iris recognition in the past. In this paper, we propose an end-to-end deep learning framework for iris recognition based on residual convolutional neural network (CNN), which can jointly learn the feature representation and perform recognition. We train our model on a well-known iris recognition dataset using only a few training images from each class, and show promising results and improvements over previous approaches. We also present a visualization technique which is able to detect the important areas in iris images which can mostly impact the recognition results. We believe this framework can be widely used for other biometrics recognition tasks, helping to have a more scalable and accurate systems.

연구 동기 및 목표

• 특징을 학습하고 함께 분류를 수행하는 엔드투엔드 딥러닝 프레임워크를 홍채 인식에 대해 시연한다.
• 사전 학습된 CNN(ResNet50)을 파인튜닝하면 클래스별 샘플이 제한된 상황에서도 높은 정확도를 달성할 수 있음을 보인다.
• 인식에 영향을 미치는 중요한 홍채 영역의 시각화를 제공한다.
• IIT Delhi 홍채 데이터셋에서 평가하고 기존 방법들과 비교한다.
• 레이블링된 데이터가 제한된 다른 생체인식 작업에 대한 프레임워크의 적용 가능성을 강조한다.]
• method: [
• Fine-tune a pre-trained ResNet50 model on the IIT Delhi iris dataset.
• Replace the last layer to match the number of iris classes and train with cross-entropy loss.
• Incorporate L2 regularization on the final layer weights to reduce overfitting (L_final = L_class + lambda1 ||W_fc||^2_F).
• Train for 100 epochs on an Nvidia Tesla GPU using batch size 24 and Adam optimizer with learning rate 0.0002.
• Down-sample all iris images to 224x224 before input to the network.
• Implement the approach in PyTorch and perform evaluation on a held-out test set.

제안 방법

• 사전 학습된 ResNet50 모델을 IIT Delhi 홍채 데이터셋에서 미세조정한다.
• 홍채 클래스 수에 맞추어 마지막 층을 교체하고 교차 엔트로피 손실로 학습한다.
• 과적합을 줄이기 위해 최종 층 가중치에 L2 규제를 도입한다 (L_final = L_class + lambda1 ||W_fc||^2_F).
• Nvidia Tesla GPU에서 100 에포크 학습, 배치 크기 24, 학습률 0.0002의 Adam 옵티마이저를 사용한다.
• 네트워크 입력 전에 모든 홍채 이미지를 224x224로 다운샘플링한다.
• PyTorch로 접근법을 구현하고 보류된 테스트 세트에서 평가를 수행한다.

실험 결과

연구 질문

• RQ1 이미지넷 사전 학습 네트워크에서의 트랜스퍼 학습이 소수 샘플로도 높은 정확도의 홍채 인식을 달성할 수 있는가?
• RQ2 ResNet50 같은 잔차 CNN을 파인튜닝하는 것이 IIT Delhi 데이터에서 기존 홍채 인식 방법과 어떻게 비교되는가?
• RQ3 딥러닝 기반 인식에 가장 큰 영향을 미치는 홍채 이미지 내 영역은 어디인가(주의 시각화)?

주요 결과

방법	정확도 비율
다중 스케일 형태학적 특징	87.94%
제안된 알고리즘	95.5%

• 제안된 ResNet50 기반 방법은 IIT Delhi 홍채 데이터셋에서 95.5% 인식 정확도를 달성하여 인용된 선행 방법(다중 스케일 형태학적 특징 87.94%)을 능가한다.
• 각 클래스당 학습 샘플이 적은 소수 샷 학습 시나리오에서 효과적으로 작동한다.
• 전이 학습을 통한 합성 특징 학습이 이 데이터셋에서 홍채 인식을 위한 전통적인 손으로 만든 특징들보다 우수한 성능을 보여준다.
• 간단한 폐색 기반 주의 시각화 기법이 인식에 중요한 대부분의 홍채 영역을 식별하여 모델의 해석 가능성을 뒷받침한다.
• 이 프레임워크는 제한된 라벨 데이터를 가진 다른 생체 인식 작업에 적용 가능성이 있으며 확장 가능하고 정확한 인식에 대한 잠재력을 보여준다.