Iterative Framework For Data Augmentation Of Segmented Fingerprints

Sintesi Tecnica: Framework Iterativo per l'Aumento dei Dati di Impronte Digitali Segmentate

Problematica
La biometria infantile affronta ostacoli significativi dovuti alle differenze fisiologiche tra neonati e adulti, specificamente la struttura più sottile e ravvicinata di creste e valli delle impronte digitali dei neonati. Queste caratteristiche, unite alla frequente deformazione durante la cattura e alla scarsità di dataset ampi e rappresentativi, ostacolano lo sviluppo di sistemi di riconoscimento robusti. Sebbene il Deep Learning offra una via promettente per identificare i pattern delle impronte digitali dei neonati, queste reti richiedono enormi quantità di dati di addestramento. Le tecniche tradizionali di aumento dei dati (ad esempio, rotazione, ritaglio, occlusione) applicate alle immagini grezze spesso non riescono ad affrontare le sfide specifiche della segmentazione delle impronte digitali dei neonati o richiedono dataset iniziali elevati per addestrare modelli generativi. Inoltre, l'acquisizione di immagini di alta qualità dei neonati è costosa e difficile.

Metodologia
Il documento propone un nuovo framework iterativo di aumento dei dati che opera su impronte digitali segmentate (pre-elaborate) anziché su immagini grezze catturate. Concentrandosi sulla segmentazione binaria di creste e valli, il metodo evita la necessità di replicare caratteristiche complesse di texture e contrasto.

Il meccanismo centrale sfrutta gli errori intrinseci di una Rete Neurale Convoluzionale (CNN) addestrata per segmentare le valli delle impronte digitali dei neonati. Il framework funziona come segue:

1. Input: Un'immagine di un'impronta digitale segmentata viene fornita a una CNN pre-addestrata per predire la segmentazione delle valli.
2. Overlay: La segmentazione predetta dalla CNN viene sovrapposta all'immagine originale utilizzando un parametro di opacità definito dall'utente ($\alpha$).
3. Iterazione: Questa immagine combinata (originale + overlay) diventa l'input per l'iterazione successiva ($i+1$).
4. Progressione: Man mano che le iterazioni procedono, la CNN elabora un'immagine in cui le valli sono parzialmente oscurate o alterate dalle uscite di segmentazione precedenti. Ciò induce una trasformazione cumulativa in cui le linee delle valli predette vengono connesse, spostate o estese, alterando efficacemente la mappa delle minutie pur mantenendo la struttura complessiva dell'impronta digitale.

Il processo è controllato da due parametri:

• $\alpha$ (Alpha): Regola l'opacità dell'overlay (da 0% a 100%), controllando l'intensità della modifica.
• $n$ (Ripetizioni): Determina il numero di iterazioni eseguite.

Contributi Chiave

• Aumento Centrato sulla Segmentazione: A differenza dei metodi che generano interamente impronte digitali sintetiche o applicano trasformazioni geometriche alle immagini grezze, questo approccio genera varianti manipolando i dettagli strutturali (minuzie) delle immagini segmentate.
• Diversità Guidata dall'Errore: Il metodo utilizza intenzionalmente i limiti e gli errori delle reti di segmentazione per creare variazioni strutturali diverse (ad esempio, connettere linee, creare nuove biforcazioni o cancellare terminazioni) da una singola immagine sorgente.
• Variabilità Personalizzabile: Il framework consente ai ricercatori di regolare il grado di alterazione, da lievi spostamenti a significative deformazioni strutturali, regolando $\alpha$ e $n$.

Risultati Sperimentali
Gli autori hanno valutato il metodo su un dataset di cinque impronte digitali di neonati ad alta risoluzione (3200 ppi) (età 0–36 ore).

• Variazione delle Minuzie: Gli esperimenti hanno dimostrato che il metodo altera significativamente il conteggio delle minutie. Valori di $\alpha$ elevati (ad esempio, 50%) hanno indotto cambiamenti drastici; ad esempio, il conteggio delle minutie di un dito è sceso da 97 a 57 (una riduzione di circa il 44%) in 15 iterazioni, mentre un altro è aumentato da 54 a 98 (un aumento di circa l'81%) in una singola iterazione.
• Dinamica Strutturale: È stato osservato che il framework crea nuove connessioni di linee che possono cancellare le terminazioni delle linee o formare nuove biforcazioni. Anche con valori di $\alpha$ bassi, sono stati osservati sottili spostamenti nella posizione e nella classificazione delle minutie.
• Analisi della Similarità: Utilizzando il coefficiente di Dice per misurare la similarità tra i segmenti originali e quelli aumentati, lo studio ha riscontrato una diminuzione generalmente lineare della similarità all'aumentare di $\alpha$. Tuttavia, anche con valori di $\alpha$ elevati e un alto numero di iterazioni, le immagini aumentate hanno mantenuto una similarità visiva con l'originale, indicando che il metodo genera varianti piuttosto che impronte digitali completamente artificiali e irriconoscibili.

Significatività e Rivendicazioni
Il documento sostiene che questo framework affronta il collo di bottiglia critico della scarsità di dati nelle biometrie infantili, consentendo la generazione di campioni di addestramento diversificati da un singolo input. Gli autori affermano che, imitando la variabilità osservata in più acquisizioni dello stesso individuo — specificamente attraverso la deformazione delle mappe delle minutie — il metodo può facilitare l'addestramento di reti di segmentazione e di matching più robuste.

Lo studio conclude che, sebbene il metodo espanda efficacementamente la variabilità del dataset e introduca deformazioni strutturali realistiche, esso è uno strumento per aumentare i dati esistenti piuttosto che sostituire la necessità di una raccolta nel mondo reale. Il lavoro futuro proposto consiste nell'utilizzare questi dataset aumentati per l'addestramento di reti di matching e nello sviluppare specifici indici di qualità per valutare le differenze di segmentazione.