[논문 리뷰] Towards Efficient Unconstrained Palmprint Recognition via Deep Distillation Hashing

Huikai Shao, Dexing Zhong외 1명|arXiv (Cornell University)|2020. 04. 07.

Biometric Identification and Security참고 문헌 69인용 수 8

한 줄 요약

이 논문은 깊이 신경망과 지식 정련을 활용하여 비제약 환경에서 경량이고 효율적인 손바닥 무늬 인식 방법인 딥 디스틸레이션 해싱(DDH)을 제안한다. 손바닥 무늬 이미지를 압축된 이진 코드로 변환하고, 새로운 정련 손실 함수를 통해 소형 학생 네트워크를 훈련시킴으로써 DDH는 비제약 기준 평가에서 최신 기술 수준의 정확도를 달성하며, 20,000장이 넘는 스마트폰으로 촬영한 이미지가 포함된 기준 데이터셋에서 등가 오류률을 최대 3.11%까지 감소시킨다.

ABSTRACT

Deep palmprint recognition has become an emerging issue with great potential for personal authentication on handheld and wearable consumer devices. Previous studies of palmprint recognition are mainly based on constrained datasets collected by dedicated devices in controlled environments, which has to reduce the flexibility and convenience. In addition, general deep palmprint recognition algorithms are often too heavy to meet the real-time requirements of embedded system. In this paper, a new palmprint benchmark is established, which consists of more than 20,000 images collected by 5 brands of smart phones in an unconstrained manner. Each image has been manually labeled with 14 key points for region of interest (ROI) extraction. Further, the approach called Deep Distillation Hashing (DDH) is proposed as benchmark for efficient deep palmprint recognition. Palmprint images are converted to binary codes to improve the efficiency of feature matching. Derived from knowledge distillation, novel distillation loss functions are constructed to compress deep model to further improve the efficiency of feature extraction on light network. Comprehensive experiments are conducted on both constrained and unconstrained palmprint databases. Using DDH, the accuracy of palmprint identification can be increased by up to 11.37%, and the Equal Error Rate (EER) of palmprint verification can be reduced by up to 3.11%. The results indicate the feasibility of our database, and DDH can outperform other baselines to achieve the state-of-the-art performance. The collected dataset and related source codes are publicly available at http://gr.xjtu.edu.cn/web/bell/resource.

연구 동기 및 목표

• 모바일 및 웨어러블 생체 인식 시스템 평가에 적합한 실제 환경에서의 비제약 손바닥 무늬 데이터셋 부족 문제를 해결하기 위해.
• 자원 제약이 있는 임베디드 장치에서 실시간 손바닥 무늬 인식을 가능하게 하는 경량 딥 러닝 모델을 개발하기 위해.
• 지식 정련과 이진 해싱을 활용하여 비제약 조건에서 정확도를 향상시키고 검증 오류율을 낮추기 위해.
• 14점의 ROI(annotation)이 포함된 20,000장의 스마트폰 촬영 손바닥 무늬 이미지를 포함한 공개 가능한 기준 데이터셋을 구축하기 위해.

제안 방법

• 다섯 종류의 스마트폰 브랜드를 사용하여 비제약 손바닥 무늬 데이터셋을 신규로 수집하였으며, 20,000장이 넘는 이미지와 영역 관심(ROI) 추출을 위한 수동 14점(annotation)을 포함한다.
• 손바닥 무늬 이미지를 압축된 이진 코드로 변환하여 특징 매칭 속도를 향상시키고 저장 및 계산 비용을 절감한다.
• 큰 교사 네트워크가 더 작은 학생 네트워크를 지도하여 분류 가능한 특징을 효율적으로 학습시키는 지식 정련 프레임워크를 적용한다.
• 교사에서 학생으로의 특징 전달을 향상시키기 위해 새로운 정련 손실 함수를 설계하여 모델의 효율성과 정확도를 향상시킨다.
• 학습된 학생 네트워크는 분류 가능한 정보를 유지하면서도 계산 오버헤드를 최소화하는 이진 코드를 생성하도록 최적화된다.

실험 결과

연구 질문

• RQ1 경량 딥 러닝 모델이 모바일 및 임베디드 플랫폼에서 비제약 손바닥 무늬 인식에서 높은 정확도를 달성할 수 있는가?
• RQ2 성능 저하 없이 깊이 있는 손바닥 무늬 모델을 압축하는 데 지식 정련이 얼마나 효과적인가?
• RQ3 이진 해싱이 실시간 응용 프로그램에서 손바닥 무늬 매칭의 효율성을 얼마나 향상시킬 수 있는가?
• RQ4 제안된 방법이 비제약 데이터에서 기존 기준 모델 대비 정확도 및 등가 오류률(EER) 측면에서 어떻게 비교되는가?

주요 결과

• 제안된 딥 디스틸레이션 해싱(DDH) 방법은 기준 모델 대비 손바닥 무늬 식별 정확도를 최대 11.37% 향상시켰다.
• DDH는 비제약 기준 데이터셋에서 손바닥 무늬 검증의 등가 오류률(EER)을 최대 3.11% 감소시켰다.
• 14점의 ROI annotation이 포함된 20,000장 이상의 스마트폰 촬영 손바닥 무늬 이미지를 포함한 새로운 기준 데이터셋은 모바일 생체 인식 시스템의 현실적인 평가를 가능하게 한다.
• DDH를 통해 훈련된 학생 네트워크는 높은 효율성을 유지하면서도 최신 기술 수준의 성능을 달성했다.