[论文解读] Cross-sensor Pore Detection in High-resolution Fingerprint Images using Unsupervised Domain Adaptation

Vijay Anand, Vivek Kanhangad|arXiv (Cornell University)|Aug 28, 2019

Biometric Identification and Security参考文献 11被引用 4

一句话总结

本文提出 DeepDomainPore，一种基于梯度反转层的残差卷积神经网络（CNN），用于高分辨率指纹图像中跨传感器孔隙检测的无监督域自适应。在自建的 1000 dpi 数据集（IITI-HRFP-GT）上进行训练，其在公开的跨传感器基准测试中实现了 88.12% 的真实检测率和 83.82% 的 F1 分数，优于现有基于学习的方法在域泛化方面的表现。

ABSTRACT

With the emergence of high-resolution fingerprint sensors, there has been a lot of focus on level-3 fingerprint features, especially the pores, for the next generation automated fingerprint recognition systems (AFRS). Following the success of deep learning in various computer vision tasks, researchers have developed learning-based approaches for detection of pores in high-resolution fingerprint images. Generally, learning-based approaches provide better performance than handcrafted feature-based approaches. However, domain adaptability of the existing learning-based pore detection methods has never been studied. In this paper, we study this aspect and propose an approach for pore detection in cross-sensor scenarios. For this purpose, we have generated an in-house 1000 dpi fingerprint dataset with ground truth pore coordinates (referred to as IITI-HRFP-GT), and evaluated the performance of the existing learning-based pore detection approaches. The core of the proposed approach for detection of pores in cross-sensor scenarios is DeepDomainPore, which is a residual learning-based convolutional neural network(CNN) trained for pore detection. The domain adaptability in DeepDomainPore is achieved by embedding a gradient reversal layer between the CNN and a domain classifier network. The proposed approach achieves state-of-the-art performance in a cross-sensor scenario involving public high-resolution fingerprint datasets with 88.12% true detection rate and 83.82% F-score.

研究动机与目标

• 研究现有基于学习的孔隙检测方法在不同指纹传感器之间的域适应能力。
• 开发一种深度学习框架，使其在无需目标域标注数据的情况下，能够在多种高分辨率指纹传感器上实现良好泛化。
• 构建一个高质量的自建 1000 dpi 指纹数据集（IITI-HRFP-GT），包含真实孔隙坐标，用于模型训练与评估。
• 通过解决传感器相关的域偏移问题，提升自动化指纹识别系统中孔隙检测的鲁棒性。

提出的方法

• 提出 DeepDomainPore，一种专为高分辨率指纹图像孔隙检测设计的残差卷积神经网络架构。
• 在特征提取器与域分类器之间引入梯度反转层，以实现无监督域自适应。
• 使用源域数据（IITI-HRFP-GT）和对抗性损失进行端到端训练，以对齐不同域之间的特征分布。
• 利用域对抗性训练最小化域偏移，同时保持任务特定（孔隙检测）的性能。
• 采用多尺度损失函数以提高检测到的孔隙的定位精度。
• 在公开的高分辨率指纹数据集上评估模型在跨传感器场景下的表现，以模拟真实世界部署。

实验结果

研究问题

• RQ1 现有基于学习的孔隙检测方法在不同指纹传感器上的域适应能力如何变化？
• RQ2 无监督域自适应能否提升孔隙检测模型在未见传感器域上的泛化能力？
• RQ3 与最先进方法相比，所提出的 DeepDomainPore 模型在跨传感器孔隙检测中的性能如何？
• RQ4 梯度反转层在对齐不同传感器域之间的特征分布的同时，保持检测精度方面有多高效？

主要发现

• 所提出的 DeepDomainPore 模型在涉及公开高分辨率指纹数据集的跨传感器场景中，实现了 88.12% 的真实检测率。
• 该模型在同一跨传感器评估中获得了 83.82% 的 F1 分数，表明其在精确率和召回率方面均表现优异。
• 自建的 IITI-HRFP-GT 数据集具有 1000 dpi 分辨率和真实孔隙坐标，可为孔隙检测模型的可靠训练与评估提供支持。
• 现有基于学习的孔隙检测方法表现出较差的域泛化能力，凸显了域自适应技术的必要性。
• 梯度反转层的引入显著改善了域对齐效果，从而提升了跨传感器性能。
• DeepDomainPore 在跨传感器设置下优于先前的基于学习的方法，确立了新的最先进水平。