[논문 리뷰] FV-UPatches: Enhancing Universality in Finger Vein Recognition

Ziyan Chen, Jiazhen Liu외 3명|arXiv (Cornell University)|2022. 06. 02.

Biometric Identification and Security인용 수 4

한 줄 요약

이 논문은 다양한 손가락 정맥 데이터 분포를 통합된 목표 도메인으로 압축된 U-Net을 사용하여 모델의 일반화 능력을 향상시키는 FV-UPatches라는 유니버설 손가락 정맥 인식 프레임워크를 제안한다. 이는 재학습 없이도 다양한 데이터셋 간에 적용 가능한 성능을 가능하게 하며, 제한된 학습 데이터와 한 번의 학습 과정으로 다섯 개인 공개 데이터셋에서 최신 기술 수준의 성능을 달성한다. 이는 목표 도메인에서 국소 특징 매칭을 위한 미리 학습된 SOSNet을 활용한다.

ABSTRACT

Many deep learning-based models have been introduced in finger vein recognition in recent years. These solutions, however, suffer from data dependency and are difficult to achieve model generalization. To address this problem, we are inspired by the idea of domain adaptation and propose a universal learning-based framework, which achieves generalization while training with limited data. To reduce differences between data distributions, a compressed U-Net is introduced as a domain mapper to map the raw region of interest image onto a target domain. The concentrated target domain is a unified feature space for the subsequent matching, in which a local descriptor model SOSNet is employed to embed patches into descriptors measuring the similarity of matching pairs. In the proposed framework, the domain mapper is an approximation to a specific extraction function thus the training is only a one-time effort with limited data. Moreover, the local descriptor model can be trained to be representative enough based on a public dataset of non-finger-vein images. The whole pipeline enables the framework to be well generalized, making it possible to enhance universality and helps to reduce costs of data collection, tuning and retraining. The comparable experimental results to state-of-the-art (SOTA) performance in five public datasets prove the effectiveness of the proposed framework. Furthermore, the framework shows application potential in other vein-based biometric recognition as well.

연구 동기 및 목표

• 데이터 분포의 변화로 인해 딥러닝 기반의 손가락 정맥 인식 모델이 다양한 데이터셋 간에 일반화 능력이 떨어지는 문제를 해결하기 위해.
• 새로운 데이터셋이나 장치에 모델을 배포할 때 광범위한 재학습과 튜닝에 의존하는 것을 줄이기 위해.
• 최소한의 데이터와 단일 학습 단계로 높은 성능을 유지하는 유니버설 프레임워크를 개발하기 위해.
• 비손가락 정맥 데이터에서 학습된 기술자 모델을 실제 손가락 정맥 인식에 전이할 수 있는 가능성을 탐색하기 위해.
• 모바일 또는 임베디드 생체인식 시스템에 적합한 효율적이고 저지연의 배포를 가능하게 하기 위해.

제안 방법

• 압축된 U-Net을 도메인 매핑기로 사용하여 원시 손가락 정맥 영상을 통합된 목표 특징 도메인으로 변환함으로써, 다양한 데이터셋 간의 분포 차이를 최소화한다.
• 수동으로 설계된 형태적 특징을 감독으로 사용하여 U-Net을 학습함으로써, 더 나은 일반화를 위해 전통적인 정맥 패턴 추출 기능을 근사한다.
• 목표 도메인에서 국소 특징 매칭을 위해 사전 학습된 SOSNet 국소 기술자 모델을 활용하여 분별력 있는 패치 수준의 특징을 추출한다.
• 기술자 모델은 손가락 정맥 데이터가 희귀하므로, 대체로 공개된 비손가락 정맥 데이터셋에서 먼저 학습하여 대표성을 확보한다.
• 프레임워크는 두 단계로 구성된다: U-Net을 통한 도메인 매핑, 그리고 통합된 목표 공간에서 SOSNet을 사용한 유사도 기반 매칭.
• 전체 파ip라인은 한 번의 학습만으로 완료되며, 다양한 데이터셋 간에 재학습 없이 재사용 가능하여 재학습 없이도 배포가 가능하다.

실험 결과

연구 질문

• RQ1 딥러닝 기반 프레임워크가 재학습 없이 다양한 손가락 정맥 데이터셋 간에 유니버설 성능을 달성할 수 있는가?
• RQ2 압축된 U-Net이 다양한 손가락 정맥 데이터 분포를 공통된 특징 공간으로 정렬하는 데 있어 도메인 매핑기로 얼마나 효과적인가?
• RQ3 비손가락 정맥 데이터에서 학습된 국소 기술자 모델이 손가락 정맥 인식 작업으로 얼마나 잘 일반화되는가?
• RQ4 제안된 프레임워크에서 계산 효율성, 메모리 사용량, 인식 정확도 사이의 상호 상충 관계는 어떠한가?
• RQ5 실제 배포 환경을 시뮬레이션하는 교차 세션 평가 조건에서도 프레임워크가 높은 성능을 유지할 수 있는가?

주요 결과

• FV-UPatches 프레임워크는 단 한 번의 학습 단계로 다섯 개인 공개 손가락 정맥 데이터셋에서 최신 기술 수준의 성능을 달성하며, 재학습 없이도 성능을 유지한다.
• 시스템은 강력한 교차 세션 일반화 능력을 보이며, 최대 6개월 간격으로 촬영된 이미지 쌍에서도 효과성을 유지한다.
• 인퍼런스 시간은 샘플당 129ms이며, 정맥 패턴 추출에 38ms, 인식에 91ms가 소요되어 실시간 배포에 적합한 높은 효율성을 보인다.
• 메모리 사용량은 173만 개의 파라미터로 매우 적으며, VGG16, ResNet-152, DenseNet-161보다도 현저히 낮아 엣지 장치에의 배포 가능성을 높인다.
• 감도 분석 결과, 감소 창 크기(c)를 증가시키면 성능은 약간 감소하지만 런타임이 향상되며, 더 큰 키포인트 스케일(ks)은 노이즈를 유발하고 매칭 정확도를 떨어뜨린다.
• 프레임워크는 다양한 데이터셋에서 고성능을 유지하며, 이는 그 유니버설성과 교차 장치, 교차 생체인식 응용 분야 잠재력의 증거이다.