Iterative Framework For Data Augmentation Of Segmented Fingerprints

Résumé Technique : Cadre Itératif pour l'Augmentation de Données de Empreintes Digitales Segmentées

Énoncé du Problème
La biométrie infantile fait face à des obstacles importants dus aux différences physiologiques entre les nourrissons et les adultes, spécifiquement la finesse et la proximité des structures de crêtes et de vallées chez les nourrissons. Ces caractéristiques, combinées à la déformation fréquente lors de la capture et à la rareté des ensembles de données représentatifs de grande taille, entravent le développement de systèmes de reconnaissance robustes. Bien que l'apprentissage profond (Deep Learning) offre une voie prometteuse pour identifier les motifs d'empreintes digitales de nourrissons, ces réseaux nécessitent de vastes quantités de données d'entraînement. Les techniques traditionnelles d'augmentation de données (ex. : rotation, recadrage, occlusion) appliquées aux images brutes échouent souvent à répondre aux défis spécifiques de la segmentation des empreintes de nourrissons ou nécessitent de grands ensembles de données initiaux pour entraîner des modèles génératifs. De plus, l'acquisition d'images de haute qualité pour les nourrissons est coûteuse et difficile.

Méthodologie
L'article propose un nouveau cadre d'augmentation de données itératif qui opère sur des empreintes digitales segmentées (pré-traitées) plutôt que sur des images brutes capturées. En se concentrant sur la segmentation binaire des crêtes et des vallées, la méthode évite de devoir répliquer des caractéristiques complexes de texture et de contraste.

Le mécanisme central exploite les erreurs inhérentes à un réseau de neurones convolutifs (CNN) entraîné pour segmenter les vallées d'empreintes digitales de nourrissons. Le cadre fonctionne comme suit :

1. Entrée : Une image d'empreinte digitale segmentée est injectée dans un CNN pré-entraîné pour prédire la segmentation des vallées.
2. Superposition : La segmentation prédite par le CNN est superposée à l'image originale en utilisant un paramètre d'opacité défini par l'utilisateur ($\alpha$).
3. Itération : Cette image combinée (originale + superposition) devient l'entrée pour l'itération suivante ($i+1$).
4. Progression : À mesure que les itérations progressent, le CNN traite une image où les vallées sont partiellement obscurcies ou altérées par les sorties de segmentation précédentes. Cela induit une transformation cumulative où les lignes de vallées prédites sont connectées, décalées ou étendues, modifiant ainsi la carte des minutiae tout en conservant la structure globale de l'empreinte.

Le processus est contrôlé par deux paramètres :

• $\alpha$ (Alpha) : Régule l'opacité de la superposition (de 0 % à 100 %), contrôlant l'intensité de la modification.
• $n$ (Répétitions) : Détermine le nombre d'itérations effectuées.

Contributions Clés

• Augmentation Centrée sur la Segmentation : Contrairement aux méthodes qui génèrent des empreintes entièrement synthétiques ou appliquent des transformations géométriques aux images brutes, cette approche génère des variantes en manipulant les détails structurels (minutiae) des images segmentées.
• Diversité Pilotée par l'Erreur : La méthode utilise intentionnellement les limitations et les erreurs des réseaux de segmentation pour créer des variations structurelles diverses (ex. : connecter des lignes, créer de nouvelles bifurcations ou effacer des terminaisons) à partir d'une seule image source.
• Variabilité Personnalisable : Le cadre permet aux chercheurs d'ajuster le degré d'altération, allant de décalages subtils à des déformations structurelles significatives, en ajustant $\alpha$ et $n$.

Résultats Expérimentaux
Les auteurs ont évalué la méthode sur un ensemble de données de cinq empreintes digitales de nourrissons à haute résolution (3200 ppi) (âges de 0 à 36 heures).

• Variation des Minutiae : Les expériences ont démontré que la méthode modifie considérablement le nombre de minutiae. Des valeurs de $\alpha$ élevées (ex. : 50 %) ont induit des changements drastiques ; par exemple, le compte de minutiae d'un doigt est passé de 97 à 57 (une réduction d'environ 44 %) sur 15 itérations, tandis qu'un autre est passé de 54 à 98 (une augmentation d'environ 81 %) en une seule itération.
• Dynamique Structurelle : Le cadre a été observé en train de créer de nouvelles connexions de lignes pouvant effacer des terminaisons de lignes ou former de nouvelles bifurcations. Même avec de faibles valeurs de $\alpha$, des décalages subtils dans la localisation et la classification des minutiae ont été observés.
• Analyse de Similitude : En utilisant le coefficient de Dice pour mesurer la similitude entre les segments originaux et augmentés, l'étude a constaté une diminution généralement linéaire de la similitude à mesure que $\alpha$ augmentait. Cependant, même à des valeurs de $\alpha$ et des nombres d'itérations élevés, les images augmentées conservaient une similitude visuelle avec l'original, indiquant que la méthode génère des variantes plutôt que des empreintes totalement artificielles et méconnaissables.

Signification et Revendications
L'article pose comme postulat que ce cadre répond au goulot d'étranglement critique de la rareté des données en biométrie infantile en permettant de générer des échantillons d'entraînement diversifiés à partir d'une seule entrée. Les auteurs affirment qu'en imitant la variabilité observée lors de multiples captures du même individu — spécifiquement par la déformation des cartes de minutiae — la méthode peut faciliter l'entraînement de réseaux de segmentation et de reconnaissance plus robustes.

L'étude conclut que, bien que la méthode étende efficacement la variabilité des ensembles de données et introduise des déformations structurelles réalistes, elle constitue un outil pour augmenter les données existantes plutôt que pour remplacer la nécessité de collecte réelle. Des travaux futurs sont proposés pour utiliser ces ensembles de données augmentés pour l'entraînement de réseaux de reconnaissance et pour développer des indices de qualité spécifiques afin d'évaluer les différences de segmentation.