[논문 리뷰] DeepIrisNet2: Learning Deep-IrisCodes from Scratch for Segmentation-Robust Visible Wavelength and Near Infrared Iris Recognition

Abhishek Gangwar, Akanksha Joshi외 2명|arXiv (Cornell University)|2019. 02. 06.

Biometric Identification and Security참고 문헌 35인용 수 6

한 줄 요약

DeepIrisNet2는 고전적인 이리스 정규화나 정밀한 세그멘테이션에 의존하지 않고, 처음부터 분류 가능한 깊이 이리스 코드를 학습하는 딥러닝 프레임워크를 제안한다. 공간 변환기 레이어와 다중 척도 감독을 통합함으로써, 가시광선 및 근적외선(NIR) 이리스 데이터셋에서 세그멘테이션에 강건한 성능을 달성하며, ND-IRIS-0405, UBIRIS.v2, MICHE-I 및 CASIA v4 Interval 벤치마크에서 기존의 최고 성능을 초월하는 최신 기술 수준의 정확도를 확보한다.

ABSTRACT

We first, introduce a deep learning based framework named as DeepIrisNet2 for visible spectrum and NIR Iris representation. The framework can work without classical iris normalization step or very accurate iris segmentation; allowing to work under non-ideal situation. The framework contains spatial transformer layers to handle deformation and supervision branches after certain intermediate layers to mitigate overfitting. In addition, we present a dual CNN iris segmentation pipeline comprising of a iris/pupil bounding boxes detection network and a semantic pixel-wise segmentation network. Furthermore, to get compact templates, we present a strategy to generate binary iris codes using DeepIrisNet2. Since, no ground truth dataset are available for CNN training for iris segmentation, We build large scale hand labeled datasets and make them public; i) iris, pupil bounding boxes, ii) labeled iris texture. The networks are evaluated on challenging ND-IRIS-0405, UBIRIS.v2, MICHE-I, and CASIA v4 Interval datasets. Proposed approach significantly improves the state-of-the-art and achieve outstanding performance surpassing all previous methods.

연구 동기 및 목표

• 고전적인 이리스 정규화나 고정밀 세그멘테이션을 요구하지 않고 깊이 이리스 코드를 학습하는 딥러닝 프레임워크를 개발하는 것.
• 가시광선 및 근적외선(NIR) 이리스 인식에서 세그멘테이션 오류와 이미지 변형에 대한 강건성을 향상시키는 것.
• 딥 이리스 세그멘테이션 네트워크를 훈련하고 평가하기 위한 대규모 공개 데이터셋을 수작업 레이블링하여 제공하는 것.
• 학습된 깊이 표현에서 직접 파생된 보다 컴act한 이진 이리스 코드를 생성하여 효율적인 템플릿 저장 및 매칭을 가능하게 하는 것.
• 비이상적인 조건 하에서 여러 어려운 이리스 인식 벤치마크에서 기존 최고 성능을 뛰어넘는 것.

제안 방법

• 이 프레임워크는 이리스 및 피upil 경계 상자 검출을 위한 하나의 이중 CNN 파이프라인과, 이리스 영역의 픽셀 단위 의미 세그멘테이션을 위한 다른 하나의 파이프라인을 활용한다.
• 공간 변환기 레이어를 네트워크에 통합하여 기하학적 왜곡을 자동으로 보정하고 이리스 모양과 방향의 변형을 처리한다.
• 딥 아키텍처에서 과적합을 줄이고 훈련을 안정화시키기 위해 중간 레이어 이후에 감독 분기(branch)를 추가한다.
• 학습된 깊이 특징에서 직접 유도된 새로운 전략을 통해 보다 컴act한 이진 이리스 코드를 생성하는 방법을 제안한다.
• 대규모 수작업 레이블링 데이터셋을 사용하여 경계 상자 검출 및 텍스처 세그멘테이션에 대해 끝에서 끝까지(end-to-end) 훈련한다.
• 이 프레임워크는 비이상적인 촬영 조건 하에서 네 가지 벤치마크 데이터셋(Nd-IRIS-0405, UBIRIS.v2, MICHE-I, CASIA v4 Interval)에서 평가된다.

실험 결과

연구 질문

• RQ1 딥러닝 프레임워크가 고전적인 이리스 정규화나 정밀한 세그멘테이션에 의존하지 않고 강건한 깊이 이리스 코드를 학습할 수 있는가?
• RQ2 공간 변환기 레이어의 통합이 이리스 이미지의 기하학적 왜곡을 다루는 데 얼마나 효과적인가?
• RQ3 다중 척도 감독 분기는 깊이 이리스 인식 모델의 훈련 안정성과 일반화 능력을 얼마나 향상시키는가?
• RQ4 이중 CNN 파이프라인은 진정한 세그멘테이션 데이터가 없이도 이리스 및 피upil 영역을 효과적으로 검출하고 정확한 픽셀 단위 세그멘테이션을 수행할 수 있는가?
• RQ5 가시광선 및 NIR 이리스 인식을 위해 대규모 수작업 레이블링 데이터셋을 사용하여 끝에서 끝까지 처음부터 훈련함으로써 얻을 수 있는 성능 향상은 어느 정도인가?

주요 결과

• DeepIrisNet2는 ND-IRIS-0405, UBIRIS.v2, MICHE-I 및 CASIA v4 Interval 데이터셋에서 기존의 모든 방법을 능가하는 최신 기술 수준의 성능을 달성한다.
• 이 프레임워크는 세그멘테이션 오류와 이미지 변형에 대해 강력한 강건성을 보이며, 정밀한 이리스 정규화 없이도 높은 정확도를 유지한다.
• 공간 변환기 레이어의 사용은 다양한 이리스 모양과 방향에서의 정렬과 특징 일관성을 크게 향상시킨다.
• 다중 척도 감독 분기는 깊이 아키텍처에서 훈련 중 과적합을 효과적으로 줄이고 수렴을 향상시킨다.
• 제안된 방법은 매칭에 대해 유의미하고 효율적인 컴팩트한 이진 이리스 코드를 생성하여 실용적인 구현을 가능하게 한다.
• 저자들은 향후 딥 이리스 세그멘테이션 연구를 위해 대규모 수작업 레이블링된 이리스 경계 상자 및 텍스처 세그멘테이션 데이터셋을 공개한다.