[论文解读] DeepIris: Iris Recognition Using A Deep Learning Approach

Shervin Minaee, AmirAli Abdolrashidi|arXiv (Cornell University)|Jul 22, 2019

Biometric Identification and Security参考文献 26被引用 43

一句话总结

本文提出一个端到端的基于迁移学习的虹膜识别系统，使用预训练的 ResNet50 模型，在 IIT Delhi 虭膜数据上进行微调，在少样本学习下实现更高的准确率，并提供对重要虹膜区域的显著性可视化。

ABSTRACT

Iris recognition has been an active research area during last few decades, because of its wide applications in security, from airports to homeland security border control. Different features and algorithms have been proposed for iris recognition in the past. In this paper, we propose an end-to-end deep learning framework for iris recognition based on residual convolutional neural network (CNN), which can jointly learn the feature representation and perform recognition. We train our model on a well-known iris recognition dataset using only a few training images from each class, and show promising results and improvements over previous approaches. We also present a visualization technique which is able to detect the important areas in iris images which can mostly impact the recognition results. We believe this framework can be widely used for other biometrics recognition tasks, helping to have a more scalable and accurate systems.

研究动机与目标

• 展示一个端到端的深度学习框架用于虹膜识别，在其中学习特征并联合进行分类。
• 证明对预训练的卷积神经网络（ResNet50）进行微调，少样本情形下也能实现高准确率。
• 提供对影响识别的重要虹膜区域的可视化。
• 在 IIT Delhi 虹膜数据集上进行评估并与现有方法进行比较。
• 强调该框架对其他带有限标注数据的生物识别任务的适用性。

提出的方法

• 在 IIT Delhi 虹膜数据集上对预训练的 ResNet50 模型进行微调。
• 将最后一层替换为与虹膜类别数量相匹配的输出并使用交叉熵损失进行训练。
• 在最终层权重上引入 L2 正则化以降低过拟合（L_final = L_class + lambda1 ||W_fc||^2_F）。
• 在 Nvidia Tesla GPU 上训练 100 个 epoch，批大小为 24，使用学习率 0.0002 的 Adam 优化器进行训练。
• 将所有虹膜图像下采样到 224x224 再输入网络。
• 在 PyTorch 中实现该方法，并在留出测试集上进行评估。

实验结果

研究问题

• RQ1 从 ImageNet 预训练网络进行迁移学习，是否能在每类样本很少的情况下实现高准确度的虹膜识别？
• RQ2 在 IIT Delhi 数据上，对残差卷积神经网络（ResNet50）进行微调与传统虹膜识别方法相比表现如何？
• RQ3 虹膜图像中哪些区域对基于深度学习的识别影响最大（显著性可视化）？

主要发现

方法	准确率
Multiscale Morphologic Features	87.94%
The proposed algorithm	95.5%

• 所提出的基于 ResNet50 的方法在 IIT Delhi 虹膜数据集上达到 95.5% 的识别准确率，优于所引用的前一方法（多尺度形态特征，87.94%）。
• 该方法在每类样本较少的情况下有效使用少量训练样本（小样本学习情景）。
• 通过迁移学习进行卷积特征学习在该数据集的虹膜识别中优于传统手工特征。
• 一种简单的基于遮挡的显著性技术将大多数虹膜区域识别为对识别重要，支持模型的可解释性。
• 该框架可应用于其他带有限标注数据的生物识别任务，展现出可扩展、准确识别的潜力。