Minutiae-Guided Fingerprint Embeddings via Vision Transformers

要約

特徴点照合は、長い間指紋認識の分野を支配してきました。
ただし、深層ネットワークを使用して、フィンガープリントから固定長の埋め込みを抽出できます。
今日まで、CNN アーキテクチャを使用してそのような埋め込みを抽出することを調査したいくつかの研究は、非常に有望であることを示しています。
これらの初期の研究に着想を得て、ビジョン トランスフォーマー (ViT) を初めて使用して、識別可能な固定長の指紋埋め込みを学習することを提案します。
さらに、ViT が局所的な細目関連の特徴に集中するように誘導することで、認識パフォーマンスを向上できることを示しています。
最後に、CNN と ViT によって学習された埋め込みを融合することにより、商用の最先端 (SOTA) マッチャーとほぼ同等に到達できることを示します。
特に、TAR=96.71% @ FAR=0.1% を取得する SOTA 商用マッチャーと比較して、NIST SD 302 パブリック ドメイン データセットで TAR=94.23% @ FAR=0.1% を取得します。
さらに、固定長の埋め込みは、商用システムよりも桁違いに高速に照合できます (50K の一致/秒と比較して、250 万の一致/秒)。
このトピックに関するさらなる研究を促進するために、コードとモデルを公開しています: https://github.com/tba.

要約(オリジナル)

Minutiae matching has long dominated the field of fingerprint recognition. However, deep networks can be used to extract fixed-length embeddings from fingerprints. To date, the few studies that have explored the use of CNN architectures to extract such embeddings have shown extreme promise. Inspired by these early works, we propose the first use of a Vision Transformer (ViT) to learn a discriminative fixed-length fingerprint embedding. We further demonstrate that by guiding the ViT to focus in on local, minutiae related features, we can boost the recognition performance. Finally, we show that by fusing embeddings learned by CNNs and ViTs we can reach near parity with a commercial state-of-the-art (SOTA) matcher. In particular, we obtain a TAR=94.23% @ FAR=0.1% on the NIST SD 302 public-domain dataset, compared to a SOTA commercial matcher which obtains TAR=96.71% @ FAR=0.1%. Additionally, our fixed-length embeddings can be matched orders of magnitude faster than the commercial system (2.5 million matches/second compared to 50K matches/second). We make our code and models publicly available to encourage further research on this topic: https://github.com/tba.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google