[论文解读] Improving Fingerprint Pore Detection with a Small FCN

Gabriel Dahia, Maurício Pamplona Segundo|arXiv (Cornell University)|Nov 14, 2018

Biometric Identification and Security参考文献 8被引用 9

一句话总结

本文提出一种仅含 96,548 个参数的轻量化全卷积神经网络（FCN），用于指纹孔洞检测，显著降低了模型复杂度。在 PolyU-HRF 数据集上采用标准化、可复现的评估协议，该方法实现了最先进性能——91.95% 的 TDR，同时相比先前的 CNN 模型参数效率高出 200 倍，表明高精度并不需要大模型。

ABSTRACT

In this work, we investigate if previously proposed CNNs for fingerprint pore detection overestimate the number of required model parameters for this task. We show that this is indeed the case by proposing a fully convolutional neural network that has significantly fewer parameters. We evaluate this model using a rigorous and reproducible protocol, which was, prior to our work, not available to the community. Using our protocol, we show that the proposed model, when combined with post-processing, performs better than previous methods, albeit being much more efficient. All our code is available at https://github.com/gdahia/fingerprint-pore-detection

研究动机与目标

• 为解决现有文献中指纹孔洞检测缺乏标准化、可复现评估协议的问题。
• 探究当前基于 CNN 的孔洞检测方法是否过度参数化了该任务，导致模型效率低下。
• 开发一种更小、更高效的 FCN 架构，使其在检测精度上与更大模型相当或更优。
• 建立一个严格的基准测试框架，利用 PolyU-HRF 数据集实现方法间的公平、直接比较。
• 公开所有代码和实验协议，以确保可复现性并推动社区广泛采用。

提出的方法

• 提出一种包含四个卷积层、批量归一化和 ReLU 激活函数的小型全卷积神经网络（FCN），专为高分辨率指纹图像中的端到端孔洞检测而设计。
• 通过在图像块上训练 FCN，以减少训练样本间的相关性并防止过拟合，尤其考虑到标注图像数量有限。
• 应用后处理流程，结合阈值化和非极大值抑制（NMS），以优化 FCN 输出并减少单个孔洞的多重检测。
• 采用基于 PolyU-HRF 基准的标准化评估协议，包括固定的训练/验证/测试划分以及 TDR、FDR 和 F1 分数等指标。
• 在相同协议下重新实现两种先前的最先进方法（Su 等 [13] 和 Pamplona Segundo & Lemes [9]），以实现公平比较。
• 将所有代码、模型和评估脚本公开发布于 GitHub，以确保可复现性并促进未来研究。

实验结果

研究问题

• RQ1 是否能够通过显著更小的 CNN 实现与现有更大模型相当或更优的指纹孔洞检测性能？
• RQ2 当前指纹孔洞检测文献是否因评估协议不一致且不可复现而受到阻碍？
• RQ3 所提出的评估协议是否相比以往验证方法更为严格且可靠？
• RQ4 后处理在多大程度上提升了轻量化 FCN 的检测质量？
• RQ5 在相同严格协议下，仅含 96,548 个参数的极简模型是否能超越更大模型（如 2100 万个参数）？

主要发现

• 所提出的 FCN 在 PolyU-HRF 数据集上实现了 91.95% 的真实检测率（TDR），优于在相同评估协议下先前报告的最先进方法（Su 等 [13]）。
• 尽管参数量仅为 96,548 个——比 Su 等 [13] 的模型少 200 倍——该方法仍实现了相当或更优的性能，表明先前模型可能过度参数化了该任务。
• 所提出的评估协议比以往验证方法更严格，证据在于先前得分较高的方法（如 Su 等 [13]）在新协议下重新评估时性能显著下降。
• 该方法的误报主要源于图像边缘区域（可见区域外）或模糊区域，如疤痕、分叉处或较浅的脊线区域。
• 在新协议下重新实现 Su 等 [13] 的方法后，其 TDR 下降至 88.6%，表明以往评估可能因协议不够严格而高估了模型性能。
• 本研究证明，通过架构简化和有效的后处理，可同时提升模型效率与性能，挑战了‘大模型是实现高精度所必需’的假设。