[论文解读] FingerNet: Pushing The Limits of Fingerprint Recognition Using Convolutional Neural Network

Shervin Minaee, Elham Azimi+1 more|arXiv (Cornell University)|Jul 28, 2019

Biometric Identification and Security参考文献 26被引用 38

一句话总结

本论文提出一个端到端的 CNN 指纹识别框架，在 PolyU 数据上对预训练的 ResNet50 进行微调并进行数据增强，从而在 PolyU 上达到最新的准确率。研究还对显著的指纹区域进行了可视化。

ABSTRACT

Fingerprint recognition has been utilized for cellphone authentication, airport security and beyond. Many different features and algorithms have been proposed to improve fingerprint recognition. In this paper, we propose an end-to-end deep learning framework for fingerprint recognition using convolutional neural networks (CNNs) which can jointly learn the feature representation and perform recognition. We train our model on a large-scale fingerprint recognition dataset, and improve over previous approaches in terms of accuracy. Our proposed model is able to achieve a very high recognition accuracy on a well-known fingerprint dataset. We believe this framework can be widely used for biometrics recognition tasks, making more scalable and accurate systems possible. We have also used a visualization technique to highlight the important areas in an input fingerprint image, that mostly impact the recognition results.

研究动机与目标

• 利用深度学习推动改进指纹识别，以克服手工特征的局限性。
• 提出一个端到端的 CNN 框架，从指纹图像直接学习表示。
• 通过在每类样本有限的指纹数据集上微调一个预训练网络来探索迁移学习。
• 评估与现有方法的性能比较，并提供对指纹图像中具影响力区域的可视化。

提出的方法

• 在 PolyU 指纹数据集上对预训练的 ResNet50（ImageNet）进行微调，并使用增强的训练数据。
• 将最后一层替换为匹配类别数量并使用交叉熵损失进行训练。
• 使用数据增强（翻转、随机裁剪、畸变）将有效样本量增加约 3 倍。
• 对最后一层全连接权重应用 L2 正则化：L_final = L_class + lambda1 ||W_fc||_F^2。
• 在 Nvidia Tesla GPU 上使用 Adam 优化器（学习率 lr = 0.0001）训练 100 个 epoch，批量大小 24。
• 将所有图像下采样为 224x224，并用 PyTorch 实现。

实验结果

研究问题

• RQ1 在每个主题只有少量图像的数据集上，来自 ImageNet 训练的 CNN 的迁移学习是否能改善指纹识别？
• RQ2 在少样本指纹场景中，数据增强如何影响识别准确率？
• RQ3 在 PolyU 指纹数据集上，所提出的基于 CNN 的方法与以往的基于特征的方法相比如何？
• RQ4 根据显著性可视化，指纹中哪些区域对识别最具信息量？

主要发现

• 在 PolyU 指纹数据集上达到 95.7% 的准确率，优于同一数据集上的现有方法。
• 在 PolyU 上优于散射网络（92%）和 Gabor-wavelet（95.5%）基线，如表 I 所述。
• 数据增强使有效训练样本数量约增加 3 倍。
• 对预训练的 ResNet50 进行微调并调整最后一层可带来强健的识别性能。
• 可视化显著性图识别出对识别结果起作用的指纹重要区域。