[論文レビュー] UFPR-Periocular: A Periocular Dataset Collected by Mobile Devices in Unconstrained Scenarios.

Luiz A. Zanlorensi, Rayson Laroca+4 more|arXiv (Cornell University)|Nov 24, 2020

Biometric Identification and Security参考文献 83被引用数 6

ひとこと要約

本稿では、1,122名の被験者を対象に、3回のセッションで196台のモバイルデバイスを用いて非制約的条件下で撮影された大規模な縁巻き認識データセット、UFPR-Periocularを紹介する。本研究では、識別および認証タスクにおいて複数のCNNアーキテクチャをベンチマーク化し、膨大なトレーニングデータと多様な撮影条件にもかかわらず、縁巻き認識における顕著な課題が明らかになった。

ABSTRACT

Recently, ocular biometrics in unconstrained environments using images obtained at visible wavelength have gained the researchers' attention, especially with images captured by mobile devices. Periocular recognition has been demonstrated to be an alternative when the iris trait is not available due to occlusions or low image resolution. However, the periocular trait does not have the high uniqueness presented in the iris trait. Thus, the use of datasets containing many subjects is essential to assess biometric systems' capacity to extract discriminating information from the periocular region. Also, to address the within-class variability caused by lighting and attributes in the periocular region, it is of paramount importance to use datasets with images of the same subject captured in distinct sessions. As the datasets available in the literature do not present all these factors, in this work, we present a new periocular dataset containing samples from 1,122 subjects, acquired in 3 sessions by 196 different mobile devices. The images were captured under unconstrained environments with just a single instruction to the participants: to place their eyes on a region of interest. We also performed an extensive benchmark with several Convolutional Neural Network (CNN) architectures and models that have been employed in state-of-the-art approaches based on Multi-class Classification, Multitask Learning, Pairwise Filters Network, and Siamese Network. The results achieved in the closed- and open-world protocol, considering the identification and verification tasks, show that this area still needs research and development.

研究の動機と目的

• 実世界の非制約的条件下でモバイルデバイスを用いて収集された大規模かつ多様な縁巻き認識データセットの不足を補う。
• 被験者の照明条件や顔貌的特徴の変動に起因するクラス内変動を軽減するため、被験者ごとに複数のセッションを収集する。
• 最先端の深層学習モデルの縁巻き認識タスクにおける包括的ベンチマークを提供する。
• 識別および認証タスクにおいて、クローズドワールドおよびオープンワールドの評価プロトコルを用いて性能を評価する。
• 高い被験者およびデバイスの多様性を有するデータセットをリリースすることで、今後の研究を支援する。

提案手法

• 被験者1,122名の縁巻き画像を、時間的・環境的変動を捉えるために3回の異なるセッションで収集した。
• デバイスの多様性を確保し、実世界での展開シナリオを模擬するために、196台の異なるモバイルデバイスを用いた。
• 最小限の指示のみ（被験者が注目領域に目を合わせることを要請）で、非制約的環境下で画像を取得した。
• シアンペアネットワーク、ペairワイズフィルターネットワーク、マルチタスク学習、マルチクラス分類モデルを含む複数の深層学習アーキテクチャを採用した。
• 識別および認証タスクにおいて、クローズドワールドおよびオープンワールドの両プロトコルを用いてモデルを評価した。
• モデルの一般化性能を向上させるために、画像前処理およびデータ拡張を標準化した。

実験結果

リサーチクエスチョン

• RQ1 非制約的モバイル撮影条件下において、異なるCNNアーキテクチャにおける縁巻き認識のモデル性能はどのように変動するか？
• RQ2 照明条件や顔貌的特徴のセッションごとの変動が、認識精度にどの程度影響を及えるか？
• RQ3 既存の最先端モデルは、UFPR-Periocularのような大規模で多様な実世界の縁巻き認識データセットに対して、効果的に一般化できるか？
• RQ4 クローズドワールドとオープンワールドの評価プロトコルは、縁巻き領域における特徴の識別能をどのように比較できるか？
• RQ5 デバイスの多様性は、縁巻き認識システムのロバストネスにどのような影響を及えるか？

主な発見

• UFPR-Periocularデータセットには1,122名の被験者と、3回のセッションで収集された3,000枚を超える画像サンプルが含まれている。
• 膨大なトレーニングデータと多様な撮影条件にもかかわらず、モデル性能は依然として最適でないことが判明し、特徴の識別性に課題が残っていることが示された。
• オープンワールドプロトコルにおける性能は、クローズドワールドプロトコルよりも顕著に低く、未知の被験者を処理する難しさが浮き彫りになった。
• シアンペアネットワークおよびペアワイズフィルターネットワークは、標準的なマルチクラス分類モデルに比べ、クラス内変動に対してより高いロバストネスを示した。
• マルチタスク学習モデルは、照明およびポーズの変動に対してより良い一般化性能を示したが、依然としてクラス内多様性の影響を完全に克服できていない。
• 結果から、特に実世界の非制約的条件下では、縁巻き認識が未解決の研究課題のままであることが示された。