Physics-Driven Spectrum-Consistent Federated Learning for Palmprint Verification

要約

生体認証としての掌紋は、その識別能力と堅牢性により、最近ますます注目を集めています。
しかし、既存の方法は主に 1 つのスペクトル内での掌紋検証を改善しており、異なるスペクトルにわたって検証するのは困難です。
さらに、分散サーバークライアントベースの展開では、掌紋認証システムは主にクライアントがモデルトレーニング用のプライベートデータを集中サーバー上に送信する必要があるため、プライバシーの懸念が生じます。
上記の問題を軽減するために、この論文では、PSFed-Palm と呼ばれる、掌紋検証のための物理駆動型のスペクトル一貫性のある連合学習方法を提案します。
PSFed-Palm は、異なる波長スペクトルの固有の物理的特性を利用しており、同様の波長で取得された画像はより高い類似性を示します。
私たちのアプローチでは、まずクライアントをローカルスペクトル画像の波長範囲に応じて短スペクトルグループと長スペクトルグループに分割します。
続いて、短スペクトルと長スペクトルのアンカー モデルを導入します。これは、長スペクトル画像と短スペクトル画像に関連付けられたローカル モデルの最適化方向を制約します。
具体的には、モデル パラメーターと特徴表現を対応するアンカー モデルと強制的に一致させるスペクトル整合性損失が設計されます。
最後に、ローカル モデルに制約を課して、グローバル モデルとの一貫性を確保し、モデルのドリフトを効果的に防ぎます。
この措置により、ローカル データを共有する必要がないため、データ プライバシーを保護しながらスペクトルの一貫性が保証されます。
私たちが提案する PSFed-Palm アプローチの有効性を検証するために、広範な実験が行われています。
提案された PSFed-Palm は、トレーニング データの数が限られているにもかかわらず、説得力のあるパフォーマンスを示します。
コードは https://github.com/Zi-YuanYang/PSFed-Palm でリリースされます。

要約(オリジナル)

Palmprint as biometrics has gained increasing attention recently due to its discriminative ability and robustness. However, existing methods mainly improve palmprint verification within one spectrum, which is challenging to verify across different spectrums. Additionally, in distributed server-client-based deployment, palmprint verification systems predominantly necessitate clients to transmit private data for model training on the centralized server, thereby engendering privacy apprehensions. To alleviate the above issues, in this paper, we propose a physics-driven spectrum-consistent federated learning method for palmprint verification, dubbed as PSFed-Palm. PSFed-Palm draws upon the inherent physical properties of distinct wavelength spectrums, wherein images acquired under similar wavelengths display heightened resemblances. Our approach first partitions clients into short- and long-spectrum groups according to the wavelength range of their local spectrum images. Subsequently, we introduce anchor models for short- and long-spectrum, which constrain the optimization directions of local models associated with long- and short-spectrum images. Specifically, a spectrum-consistent loss that enforces the model parameters and feature representation to align with their corresponding anchor models is designed. Finally, we impose constraints on the local models to ensure their consistency with the global model, effectively preventing model drift. This measure guarantees spectrum consistency while protecting data privacy, as there is no need to share local data. Extensive experiments are conducted to validate the efficacy of our proposed PSFed-Palm approach. The proposed PSFed-Palm demonstrates compelling performance despite only a limited number of training data. The codes will be released at https://github.com/Zi-YuanYang/PSFed-Palm.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google