[論文レビュー] Pilot Comparative Study of Different Deep Features for Palmprint Identification in Low-Quality Images

Ahmad S. Tarawneh, Dmitry Chetverikov+1 more|arXiv (Cornell University)|Apr 10, 2018

Biometric Identification and Security参考文献 17被引用数 32

ひとこと要約

本研究では、SVMを用いて、低品質な画像における掌紋認識のために事前学習済みの深層畳み込みニューラルネットワーク（CNN）—AlexNet、VGG-16、VGG-19—を評価する。結果から、より深いネットワーク（VGG-16、VGG-19）が浅いネットワークよりもより特徴を判別しやすく抽出することが示され、特にコントラストが低く、影があるMOHIデータに対しては、高品質なCOEPデータよりも顕著に、低レベルの全結合層がより高い認識精度を示すことがわかった。

ABSTRACT

Deep Convolutional Neural Networks (CNNs) are widespread, efficient tools of visual recognition. In this paper, we present a comparative study of three popular pre-trained CNN models: AlexNet, VGG-16 and VGG-19. We address the problem of palmprint identification in low-quality imagery and apply Support Vector Machines (SVMs) with all of the compared models. For the comparison, we use the MOHI palmprint image database whose images are characterized by low contrast, shadows, and varying illumination, scale, translation and rotation. Another, high-quality database called COEP is also considered to study the recognition gap between high-quality and low-quality imagery. Our experiments show that the deeper pre-trained CNN models, e.g., VGG-16 and VGG-19, tend to extract highly distinguishable features that recognize low-quality palmprints more efficiently than the less deep networks such as AlexNet. Furthermore, our experiments on the two databases using various models demonstrate that the features extracted from lower-level fully connected layers provide higher recognition rates than higher-layer features. Our results indicate that different pre-trained models can be efficiently used in touchless identification systems with low-quality palmprint images.

研究の動機と目的

• 低品質な画像条件下における事前学習済みの深層CNNの掌紋認識性能を評価すること。
• AlexNet、VGG-16、VGG-19が低品質な掌紋画像から特徴を抽出する能力を比較すること。
• ネットワークの深さと層の位置が認識精度に与える影響を分析すること。
• 高品質（COEP）と低品質（MOHI）の掌紋データベース間の性能差を定量すること。

提案手法

• 事前学習済みのCNNモデル（AlexNet、VGG-16、VGG-19）を、掌紋画像からの特徴抽出用に微調整する。
• 各ネットワークの全結合層から特徴を抽出し、低層と高層の比較に注目する。
• 抽出された特徴の分類器としてサポートベクターマシン（SVM）を用いる。
• 実験は2つのデータセット（MOHI：低品質、影あり、コントラスト低、COEP：高品質）を用いて実施する。
• 特徴の判別性を評価するために、異なる層とモデルにおける認識精度を評価する。
• 標準的な指標を用いた比較分析により、厳しい撮影条件下でのモデル性能を評価する。

実験結果

リサーチクエスチョン

• RQ1 低品質な画像における掌紋認識において、AlexNet、VGG-16、VGG-19の中では、どの事前学習済みCNNアーキテクチャが最も優れているか？
• RQ2 同じCNNモデル内で、特徴の性能は層ごとにどのように変化するか？
• RQ3 高品質（COEP）と低品質（MOHI）の掌紋データベース間の認識精度の差は何か？
• RQ4 低品質な環境下では、低レベルの全結合層が高レベルの層よりもより判別力のある特徴を抽出できるか？
• RQ5 事前学習モデルを用いたトランスファーラーニングは、掌紋認識における影や低コントラストといった実世界の課題を効果的に扱えるか？

主な発見

• VGG-16およびVGG-19は、より深いアーキテクチャと強化された特徴表現のおかげで、AlexNetよりも低品質な掌紋画像の認識で優れている。
• MOHIデータセットにおいて、低レベルの全結合層（例：fc6、fc7）が高レベルの層（例：fc8）よりも顕著に高い認識率を示す。
• COEP（高品質）とMOHI（低品質）のデータベース間の認識精度の差は顕著であり、低品質な画像の課題を浮き彫りにしている。
• より深いネットワーク（VGG-16/19）からの特徴は、照明の変動、影、低コントラストに対してより頑健である。
• 事前学習済みCNNとSVMを組み合わせることで、実世界の状況下でのタッチレス掌紋識別に効果的なトランスファーラーニングが可能になる。
• 本研究では、ネットワークの深さと層の位置が、低品質な画像認識における特徴品質の鍵要因であることが確認された。