[论文解读] End-to-End Fingerprints Liveness Detection using Convolutional Networks with Gram module

Eunsoo Park, Xuenan Cui+2 more|arXiv (Cornell University)|Mar 21, 2018

Biometric Identification and Security参考文献 17被引用 15

一句话总结

本文提出了一种端到端卷积神经网络（CNN），并引入了一种新颖的Gram模块，用于指纹活体检测，通过多层提取的Gram矩阵捕捉纹理特征。该模型在LivDet 2011、2013和2015基准测试中实现了2.61%的平均错误率，仅使用约1.2MB的参数，展现出在区分真实与伪造指纹方面极高的效率和准确性。

ABSTRACT

This paper proposes an end-to-end CNN(Convolutional Neural Networks) model that uses gram modules with parameters that are approximately 1.2MB in size to detect fake fingerprints. The proposed method assumes that texture is the most appropriate characteristic in fake fingerprint detection, and implements the gram module to extract textures from the CNN. The proposed CNN structure uses the fire module as the base model and uses the gram module for texture extraction. Tensors that passed the fire module will be joined with gram modules to create a gram matrix with the same spatial size. After 3 gram matrices extracted from different layers are combined with the channel axis, it becomes the basis for categorizing fake fingerprints. The experiment results had an average detection error of 2.61% from the LivDet 2011, 2013, 2015 data, proving that an end-to-end CNN structure with few parameters that is able to be used in fake fingerprint detection can be designed.

研究动机与目标

• 开发一种紧凑、端到端的深度学习模型，用于指纹活体检测，兼具高准确率与高效率。
• 探索基于纹理的特征表示，特别是通过Gram矩阵捕捉的特征，在区分真实与伪造指纹方面的有效性。
• 设计一种参数最少的CNN架构，同时保持高检测性能。
• 将Gram模块集成到基于fire模块的CNN中，以增强纹理表征学习能力。
• 在多个基准数据集（LivDet 2011、2013、2015）上验证模型的泛化能力。

提出的方法

• 模型采用fire模块作为基础CNN架构，以高效提取分层特征。
• 在特定卷积层之后插入Gram模块，用于计算捕捉纹理信息的Gram矩阵。
• 将来自三个不同层的Gram矩阵沿通道维度拼接，形成统一的纹理表征。
• 拼接后的特征图作为最终分类器的输入，用于真实/伪造指纹分类。
• 整个网络采用标准交叉熵损失函数进行端到端训练。
• Gram模块通过计算通道间特征图的内积，保留空间纹理模式。

实验结果

研究问题

• RQ1 参数极少的轻量级CNN能否在指纹活体检测中实现高准确率？
• RQ2 通过Gram矩阵捕捉的基于纹理的特征表示，是否有效用于区分真实与伪造指纹？
• RQ3 将Gram模块集成到基于fire模块的架构中，能否在保持模型效率的同时提升检测性能？
• RQ4 所提出的模型在多种指纹活体检测基准测试中的泛化能力如何？
• RQ5 结合Gram模块的端到端训练策略是否优于传统的手工设计纹理方法？

主要发现

• 所提模型在LivDet 2011、2013和2015数据集上的平均检测错误率为2.61%。
• 模型仅使用约1.2MB的参数，展现出极高的参数效率。
• Gram模块的集成显著增强了纹理表征，提升了检测准确率。
• 端到端训练策略实现了有效特征学习，无需手工设计组件。
• 模型在多个基准数据集上表现出强大的泛化能力，表明对不同欺骗方法具有鲁棒性。
• 利用多层Gram矩阵提升了最终特征表征的判别能力。