์ธ๊ณต์ง๋ฅ
์์ผ๋ก๋ถํฐ ์์ฒด ์ธ์ ์๋ณ์๋ฅผ ์ฌ์ฉํ๋ ๋ฒ์ฃ ๋น๋์ค ํฌ๋ ์
영국의 연구자들은 손의 모양으로 개인을 식별할 수 있는 기계 학습 생체 시스템을 개발했습니다. 이 연구의 목적은 특히 범죄를 녹화한 성범죄자와 같은 범죄자를 식별하는 것을 도와주는 것입니다. 여기서 손 정보는 종종 유일하게 उपलब있는 생체 신호입니다.
논문은 글로벌 및 파트 인식 깊은 특징 표현 학습을 사용한 손 기반 사람 식별이라는 제목을 가지고 있으며 새로운 ML 프레임워크인 Global and Part-Aware Network (GPA-Net)을 제안합니다.
GPA-Net에서 두 개의 별도 3D 텐서(글로벌 및 로컬)는 소스 이미지를 ResNet50 백본 네트워크上的 쌓인 합성곱 계층을 통해 전달함으로써 얻어집니다. 각 분석 경로는 身份 예측을 수행합니다. 출처: https://arxiv.org/pdf/2101.05260.pdf
GPA-Net은 합성곱 계층에서 로컬 및 글로벌 분기를 생성하여 손 전체(왼손과 오른손을 별도로 인식함)와 손의 일부(자체적으로 전체 손의 더 나은 식별을 위한 피더 플래그로 작용할 수 있음)에 대한 별도의 인식 시스템을 생성합니다.
이 연구는 랭커스터 대학교의 컴퓨팅 및 커뮤니케이션스 학교에서 수행되었으며, 현재 레스터의 데 몬트포트 대학교의 조교수인 Nathanael L. Baisa가 이끌고 있습니다.
일관된 생체 지표로서의 손
연구자들은 손이 나이, 위장 시도 또는 다른 왜곡 요인(예: 얼굴 캡처의 경우 표정의 변화)에 덜 영향을 받는 일관된 생체 특征 집합을 제공할 수 있다고 관찰합니다. 이는 게이트 인식 및 얼굴 인식과 같은 더 인기 있는 지표 시스템의 신뢰성을影响할 수 있는 요인입니다.
보안 시스템은 적외선 이미징을 통해 손 정맥 패턴을 사용하는 시스템이 개발되었지만, 이는 범죄에서 사용되는 녹화 장치에서 사용할 수 있지는 않을 것입니다. 현재 연구는 일반적으로 모바일 장치에 내장된 표준 디지털 카메라를 통해 캡처된 이미지를 중점으로 합니다. 그러나 성범죄의 경우, 네트워크 정보를 공유할 가능성이 낮은 ‘덤’ 카메라에서 얻은 이미지를 더 많이 사용할 수 있습니다.
과거 50년 동안의 과학 픽션 영화에서 가장 인기 있는 생체 방법인 손바닥 인식은 예상과는 달리 널리 사용되지 않았습니다. 이는 지문 인식 시스템이 더 작은 인식 표면이 필요하기 때문일 수 있습니다. 그러나 후지쯔는 2016년에 보안 시스템을 위한 우수한 생체 도구로서의 손정맥 패턴 인식을 주장하는 홍보 연구를 수행했습니다.
데이터셋 및 테스트
GPA-Net은 연구자에 따르면 손 인식을 시도하는 첫 번째 종단 간 학습 시스템입니다. 네트워크의 중앙 백본은 ImageNet에서 학습된 ResNet50에 기반합니다. 이러한 선택은 다양한 플랫폼에서 잘 수행할 수 있는 능력으로 인해 선택되었습니다. 여기에는 Google Inception(객체 감지 및 이미지 분석을専門으로 하는 발전하는 합성곱 신경 네트워크 모듈인 GoogleNet 모듈)도 포함됩니다.
GPA-Net 프레임워크는 두 개의 데이터셋에서 테스트되었습니다. 하나는 2016년 11k Hands 세트로, 캐나다와 이집트의 연구자들 간의 협력입니다. 다른 하나는 홍콩 폴리테크닉 대학교 Hand Dorsal (HD) 데이터셋입니다.
손바닥 표면의 소규모 관절 패턴을 사용한 개인 식별’의 세부 사항, 관절 식별에 중점을 둡니다.
11k 데이터셋에는 190개의 身份 주체가 포함되어 있으며, ID, 나이, 피부색, 성별 등 다양한 메타데이터를 포함합니다. 연구자들은 반드시 방해가 될 수 있는 아웃라이어가 될 수 있는 주얼리 이미지를 제외했습니다. 또한 연구자들은 ID 일치가 이미지 합성보다 더 민감한 분야이며, 데이터가 흐릿하면 더 큰 위험이 될 수 있으므로 HD 데이터셋에서 충분한 명확성이 없는 이미지도 제외했습니다.
GPA-Net은 PyTorch 딥 러닝 프레임워크에서 단일 NVIDIA GeForce RTX 2080 Ti GPU와 11GB의 VRAM에서 실행되었습니다. 모델은 교차 엔트로피 손실과 미니 배치 스토캐스틱 그래디언트 하강 (SGD) 최적화를 사용하여 학습되었습니다. 학습은 60 에포크 동안 초기 학습률 0.02에서 수행되었으며, 학습률 스케줄러가 각 30 에포크마다 0.1의 감소 요인을 사용하여 처리되었습니다. 이는 높은 차원 특징이 빠르게 임베딩되고 시스템이 더 세부적인 세부 사항을 위해 더 오래 데이터를 탐색해야 하기 때문에 효과적으로 학습을 더 느리게 만듭니다.
평가는 Cumulative Matching Characteristics (CMC) 메트릭과 Mean Average Precision (mAP)을 사용하여 수행되었습니다.
연구자들은 GPA-Net이 ResNet50을 사용하는 경쟁 방법보다 24.74%의 랭크-1 정확도와 37.82%의 mAP에서 더 나은 성능을 보인다고发现했습니다.
GPA-Net 시스템의 테스트 결과. 상단에서 하단으로는 11k 세트의 오른쪽 등쪽 인식, 같은 세트의 왼쪽 등쪽, 같은 세트의 오른쪽 손바닥, 11k 및 HD 데이터셋의 왼쪽 손바닥입니다. 녹색 및 빨간색 바운딩 박스는 올바른 및 잘못된 일치를 나타냅니다.
연구자들은 이 방법이 ‘중대한 범죄의 가해자를 강력하게 식별하는 데 강력한 잠재력을 가지고 있다’고 생각합니다.
