[논문 리뷰] Iris-SAM: Iris Segmentation Using a Foundation Model

Parisa Farmanifard, Arun Ross|arXiv (Cornell University)|2024. 02. 09.

Biometric Identification and Security인용 수 5

한 줄 요약

본 논문은 Iris 분할을 위해 Segment Anything Model (SAM)을 Focal Loss로 미세조정하여, 여러 홍채 데이터셋에서 IoU 최첨단 성능을 달성하고 데이터셋 간 일반화가 강함을 보여준다.

ABSTRACT

Iris segmentation is a critical component of an iris biometric system and it involves extracting the annular iris region from an ocular image. In this work, we develop a pixel-level iris segmentation model from a foundational model, viz., Segment Anything Model (SAM), that has been successfully used for segmenting arbitrary objects. The primary contribution of this work lies in the integration of different loss functions during the fine-tuning of SAM on ocular images. In particular, the importance of Focal Loss is borne out in the fine-tuning process since it strategically addresses the class imbalance problem (i.e., iris versus non-iris pixels). Experiments on ND-IRIS-0405, CASIA-Iris-Interval-v3, and IIT-Delhi-Iris datasets convey the efficacy of the trained model for the task of iris segmentation. For instance, on the ND-IRIS-0405 dataset, an average segmentation accuracy of 99.58% was achieved, compared to the best baseline performance of 89.75%.

연구 동기 및 목표

• 신뢰할 수 있는 홍채 인식을 위한 핵심 단계로서 홍채 분할의 중요성을 동기 부여한다.
• 도메인 특화 미세조정을 통해 기초 모델(SAM)을 활용한 정밀 홍채 분할을 달성한다.
• Focal Loss를 사용해 홍채 픽셀과 비홍채 픽셀 간의 클래스 불균형을 해결한다.
• 속눈썹과 같은 홍채 특유의 도전에 대한 교차 데이터셋 일반화 및 강건성을 평가한다.

제안 방법

• 경계 상자 프롬프트를 사용하여 홍채 이미지에서 Segment Anything Model (SAM)을 미세조정한다.
• 학습 중 홍채/비홍채 픽셀 간 클래스 불균형을 해결하기 위해 Focal Loss를 사용한다.
• 실제 마스크에서 경계 박스를 도출하고 일반화를 향상시키기 위해 무작위 섭동을 적용한다.
• SAM을 단일 홍채 마스크에 집중시키기 위해 multimask_output을 False로 설정한다.
• IoU와 같은 표준 지표를 사용하여 100 에포크 동안 SGD(학습률 0.0001)로 학습한다.
• 기본 홍채 분할 방법과의 비교 및 데이터셋 간 정밀도-재현율을 분석한다.

Figure 1 : Iris anatomy in the near-infrared spectrum.

실험 결과

연구 질문

• RQ1 기초 세분화 모델(SAM)을 도메인 특화 미세조정을 통해 홍채 분할에 효과적으로 적용할 수 있는가?
• RQ2 클래스 불균형 하에서 Focal Loss를 도입하면 홍채 분할 성능이 향상되는가?
• RQ3 ND-Iris-0405, CASIA-Iris-Interval-v3, 및 IIT-Delhi-Iris 간 Iris-SAM의 교차 데이터셋 일반화 능력은 어떠한가?

주요 결과

데이터셋	정확도(평균 IoU %) ± 표준편차
CASIA-Iris-Interval-v3	96.94 ± 0.005
ND-Iris-0405	99.58 ± 0.003
IIT-Delhi-Iris	94.34 ± 0.008

• Iris-SAM은 CASIA-Iris-Interval-v3에서 평균 IoU 96.94%를 달성한다.
• Iris-SAM은 ND-Iris-0405에서 평균 IoU 99.58%를 달성한다.
• Iris-SAM은 IIT-Delhi-Iris에서 평균 IoU 94.34%를 달성한다.
• Focal Loss는 홍채 분할에서 Dice 및 Triplet 손실보다 우수하다.
• 감마 값이 2일 때 데이터셋 전반에 걸쳐 강건한 성능을 제공한다.
• 교차 데이터셋 일반화 점수에는 93.75% (ND-Iris-0405 train → IIT-Delhi-Iris test) 및 95.26% (ND-Iris-0405 train → CASIA-Iris-Interval-v3 test)가 포함된다.
• 일부 경우에서 예측이 실제 마스크를 초과하는 경향도 보여 경계 구분이 향상되었음을 시사한다.

Figure 2 : Proposed network (Iris-SAM) using Segment Anything Model (SAM) [ 17 ] . (a) Training and (b) Inference/Testing.