[論文レビュー] Forensic shoe-print identification: a brief survey

Imad Rida, Fei, Lunke+3 more|arXiv (Cornell University)|Jan 5, 2019

Gait Recognition and Analysis参考文献 73被引用数 14

ひとこと要約

本サーベイは、自動フォレンジック靴型プリント識別に関する包括的な概要を提供し、包括的および局所的特徴ベースの手法、評価ベンチマーク、ノイズ、遮蔽、限られたトレーニングデータといった課題をレビューしている。手作業で設計された特徴から学習された特徴（特にディープラーニング）への移行が強調され、合成評価を超えて分野を前進させるために、大規模で標準化された公開データセットの開発が強く求められている。

ABSTRACT

As an advanced research topic in forensics science, automatic shoe-print identification has been extensively studied in the last two decades, since shoe marks are the clues most frequently left in a crime scene. Hence, these impressions provide a pertinent evidence for the proper progress of investigations in order to identify the potential criminals. The main goal of this survey is to provide a cohesive overview of the research carried out in forensic shoe-print identification and its basic background. Apart defining the problem and describing the phases that typically compose the processing chain of shoe-print identification, we provide a summary/comparison of the state-of-the-art approaches, in order to guide the neophyte and help to advance the research topic. This is done through introducing simple and basic taxonomies as well as summaries of the state-of-the-art performance. Lastly, we discuss the current open problems and challenges in this research topic, point out for promising directions in this field.

研究の動機と目的

• 研究者および初心者向けに、自動フォレンジック靴型プリント識別分野における最新で統合的な概要を提供すること。
• 最先端の技術を分類・比較し、包括的特徴ベースと局所的特徴ベースのアプローチの違いを明確にすること。
• ノイズ、遮蔽、回転、スケール歪みなどの要因によるクラス内変動といった主な課題を特定すること。
• ベンチマークの改善とモデルの汎化性能を向上させるために、大規模で公開可能な標準化されたデータセットと評価プロトコルの開発を提唱すること。
• 特にディープラーニングおよびトランスファーラーニングの導入により、強力な特徴学習を実現する可能性のある、今後の研究の方向性を示唆すること。

提案手法

• 特徴抽出のための既存手法を、包括的（グローバル画像処理）および局所的（キーポイントベース）技術に分類する。
• フーリエベースの特徴（例：パワー・スペクトル密度）、位相のみの相関（MPOC）、フラクタル分解を用いた画像再構築およびマッチングのための包括的手法をレビューする。
• SIFT、SURF、HOGに基づく局所的特徴手法を分析し、靴型プリント内の特徴的な領域を検出・記述することで、耐障害性の高いマッチングを実現する。
• 実データおよび合成データセット上で、mAP やトップ-k精度といった標準的な指標を用いて性能を評価し、回転、スケール、ノイズ、遮蔽などの変化に対する比較を実施する。
• ディープラーニングアプローチ、特に畳み込みニューラルネットワーク（CNN）とトランスファーラーニングの有効性を検討し、実世界データが限られる状況での解決策を提示する。
• 前処理（強調処理および歪み除去）、特徴抽出（手作業で設計されたものまたは学習されたもの）、分類／マッチング（トレーニング済みモデルまたは類似度関数を用いた）の3段階からなるプロセスパイプラインを提案する。

実験結果

リサーチクエスチョン

• RQ1 自動靴型プリント識別で用いられる主な特徴抽出手法のカテゴリは何か？ また、性能と耐障害性においてどのように異なるのか？
• RQ2 ノイズ、遮蔽、スケール変化などの実世界の変動に対処する際、手作業で設計された特徴と学習された特徴（例：ディープ特徴）の性能はどのように比較されるか？
• RQ3 現在の評価プロトコルの主な制限は何であり、なぜ公開され、標準化されたデータセットがこの分野の進展に不可欠なのか？
• RQ4 トレーニングデータが限られる状況下で、トランスファーラーニングおよびディープラーニングモデルは、識別精度をどの程度向上させられるか？
• RQ5 フォレンジック靴型プリント識別分野における最大の未解決課題は何か？ また、今後の進展に最も有望な研究分野は何か？

主な発見

• PSD や MPOC、SIFT、HOG といった手作業で設計された特徴は、制御された環境下で優れた性能を示しており、特定の条件下ではトップ-1正解率が 99.47% に達した。
• 本サーベイで最も高い性能を示した手法（Alizadeh と Kose, 2017）は、ノイズ、回転、遮蔽が加味された 190 クラスのデータセットで 99.47% のトップ-1正解率を達成した。
• 合成データや制御されたデータでは高い性能を発揮するが、大規模なクラス内変動が生じる実世界の状況では、大多数の既存手法が失敗する。
• ディープラーニングモデル、特に CNN は、手作業で設計された特徴よりも高い汎化可能性を示しているが、信頼性の高いトレーニングのためには大規模なデータセットが必要である。
• 現在のベンチマークは、データセットサイズが小さく、標準化が不十分であり、合成的または現実的でない画像に過剰に依存しているため、公平な比較や実世界への適用が困難である。
• 大規模で公開され、標準化されたデータセットの欠如が、進展を阻害する主な要因であると特定され、一貫した評価とモデル開発を可能にするための新しいベンチマークの構築が強く要請されている。