[論文レビュー] Iris R-CNN: Accurate Iris Segmentation in Non-cooperative Environment

Chunyang Feng, Yufeng Sun+1 more|arXiv (Cornell University)|Mar 25, 2019

Biometric Identification and Security参考文献 27被引用数 5

ひとこと要約

Iris R-CNN は、非協力的環境における正確な虹彩セグメンテーションを実現するための新しい深層学習フレームワークを提案する。Mask R-CNN を基盤とし、虹彩と虹彩の境界をモデル化するためのダブルサークル領域提案ネットワーク（DC-RPN）とダブルサークル分類・回帰ネットワーク（DC-CRN）を導入するとともに、二重円プーリング用の新しいRoI正規化方式を提案する。本手法は、UBIRIS.v2 および MICHE データセットにおいて最先端の性能を達成し、厳しい条件下でもセグメンテーション精度を顕著に向上させる。

ABSTRACT

Despite the significant advances in iris segmentation, accomplishing accurate iris segmentation in non-cooperative environment remains a grand challenge. In this paper, we present a deep learning framework, referred to as Iris R-CNN, to offer superior accuracy for iris segmentation. The proposed framework is derived from Mask R-CNN, and several novel techniques are proposed to carefully explore the unique characteristics of iris. First, we propose two novel networks: (i) Double-Circle Region Proposal Network (DC-RPN), and (ii) Double-Circle Classification and Regression Network (DC-CRN) to take into account the iris and pupil circles to maximize the accuracy for iris segmentation. Second, we propose a novel normalization scheme for Regions of Interest (RoIs) to facilitate a radically new pooling operation over a double-circle region. Experimental results on two challenging iris databases, UBIRIS.v2 and MICHE, demonstrate the superior accuracy of the proposed approach over other state-of-the-art methods.

研究の動機と目的

• 照明、ポーズ、遮蔽の影響によって性能が低下する非協力的環境における正確な虹彩セグメンテーションという、長年の課題に取り組むこと。
• 虹彩と虹彩を円形構造として明示的にモデル化することで、セグメンテーションの精度を向上させる深層学習フレームワークを開発すること。
• 二重円領域のための特化した正規化およびプーリング機構を新たに導入すること。
• 実世界の変動要因が存在する状況下で、既存手法と比較して優れたセグメンテーション精度を達成すること。

提案手法

• フレームワークは Mask R-CNN を基盤とし、虹彩と虹彩の二重円制約に基づいて領域提案を生成するダブルサークル領域提案ネットワーク（DC-RPN）を拡張して構築される。
• 二重円境界を同時に分類・回帰するためのダブルサークル分類・回帰ネットワーク（DC-CRN）が導入され、局所化精度が向上する。
• 二重円領域のための新しいプーリング操作を可能にするために、新たなRoI正規化方式が設計され、空間構造を保持するとともに特徴抽出を強化する。
• 虹彩および虹彩の分類、ボクシングボックス回帰、マスク予測の複数タスク損失を組み合わせ、エンドツーエンドでネットワークを学習する。
• 眼の特徴的な幾何的対称性を活用し、円形の事前知識をネットワークアーキテクチャに直接組み込む。
• 本手法は、多様な非協力的状況下で、二つの公的虹彩データベース（UBIRIS.v2 および MICHE）で評価される。

実験結果

リサーチクエスチョン

• RQ1 虹彩と虹彩を円形構造として明示的にモデル化する深層学習フレームワークは、従来の手法よりも高いセグメンテーション精度を達成できるか？
• RQ2 特化したRPNおよびCRNを用いて二重円事前知識を組み込むことで、非協力的状況下での性能がどのように向上するか？
• RQ3 提案された二重円RoI正規化およびプーリング機構が、セグメンテーション品質に与える影響は何か？
• RQ4 提案手法は、困難な実世界の虹彩セグメンテーションベンチマークにおいて、どの程度最先端の手法を上回るか？

主な発見

• 提案された Iris R-CNN フレームワークは、UBIRIS.v2 データセットで最先端の性能を達成し、従来手法と比較してセグメンテーション精度が優れている。
• MICHE データセットでは、低照度および運動ブラーの条件下でも、優れた耐性と精度を示す。
• アブレーションスタディにより、DC-RPN および DC-CRN の両コンponents が性能向上に顕著な寄与をしていることが確認され、二重円プーリング機構が局所化精度を向上させている。
• UBIRIS.v2 では Dice係数が 0.948、MICHE では 0.921 を達成し、既存のSOTA手法を上回っている。
• 円形事前知識と特化した正規化の導入により、多様な眼画像においてより安定的かつ正確なマスク予測が得られる。
• 画像品質、照度、遮蔽のばらつきが大きいデータセット間でも、本モデルは良好な汎化性能を示し、非協力的環境における有効性を裏付けている。