Iterative Framework For Data Augmentation Of Segmented Fingerprints

Technische Samenvatting: Iteratief Framework voor Data-augmentatie van Gesegmenteerde Vingerafdrukken

Probleemstelling
De babybiometrie staat voor aanzienlijke hindernissen door fysiologische verschillen tussen zuigelingen en volwassenen, specifiek de dunnere en dichter op elkaar geplaatste rimpel/dal-structuren van babyvingers. Deze kenmerken, gecombineerd met frequente vervorming tijdens de registratie en de schaarste aan grote, representatieve datasets, belemmeren de ontwikkeling van robuuste matchingsystemen. Hoewel Deep Learning een veelbelovende weg biedt voor het identificeren van patronen in babyvingerafdrukken, vereisen deze netwerken enorme hoeveelheden trainingsdata. Traditionele technieken voor data-augmentatie (bijv. rotatie, cropping, occlusie) toegepast op ruwe afbeeldingen falen vaak bij het adresseren van de specifieke uitdagingen van de segmentatie van babyvingerafdrukken of vereisen grote initiële datasets om generatieve modellen te trainen. Bovendien is het verwerven van hoogwaardige afbeeldingen van baby's kostbaar en moeilijk.

Methodologie
Het artikel stelt een nieuw, iteratief data-augmentatieframework voor dat werkt op gesegmenteerde (voorbewerkte) vingerafdrukken in plaats van op ruwe gecaptureerde afbeeldingen. Door zich te concentreren op de binaire segmentatie van rimpels en dalen, omzeilt de methode de noodzaak om complexe textuur- en contrastkenmerken te repliceren.

Het kernmechanisme maakt gebruik van de inherente fouten van een Convolutioneel Neuraal Netwerk (CNN) dat getraind is om de segmentatie van dalen in babyvingerafdrukken te voorspellen. Het framework functioneert als volgt:

1. Input: Een gesegmenteerde vingerafdrukafbeelding wordt ingevoerd in een vooraf getraind CNN om de segmentatie van dalen te voorspellen.
2. Overlay: De voorspelde segmentatie van het CNN wordt over de originele afbeelding gelegd met behulp van een door de gebruiker gedefinieerde opacity-parameter ($\alpha$).
3. Iteratie: Deze gecombineerde afbeelding (origineel + overlay) wordt de input voor de volgende iteratie ($i+1$).
4. Progressie: Naarmate de iteraties vorderen, verwerkt het CNN een afbeelding waarbij de dalen gedeeltelijk worden afgedekt of gewijzigd door eerdere segmentatie-outputs. Dit induceert een cumulatieve transformatie waarbij voorspelde dal-lijnen worden verbonden, verschoven of verlengd, wat effectief de minutiae-kaart verandert terwijl de algemene structuur van de vingerafdruk behouden blijft.

Het proces wordt gecontroleerd door twee parameters:

• $\alpha$ (Alpha): Reguleert de opacity van de overlay (0% tot 100%), wat de intensiteit van de modificatie controleert.
• $n$ (Repetities): Bepaalt het aantal uitgevoerde iteraties.

Belangrijkste Bijdragen

• Segmentatie-gecentreerde Augmentatie: In tegenstelling tot methoden die volledig synthetische vingerafdrukken genereren of geometrische transformaties toepassen op ruwe afbeeldingen, genereert deze aanpak varianten door de structurele details (minutiae) van gesegmenteerde afbeeldingen te manipuleren.
• Fout-gestuurde Diversiteit: De methode maakt doelbewust gebruik van de beperkingen en fouten van segmentatienetwerken om diverse structurele variaties (bijv. het verbinden van lijnen, het creëren van nieuwe bifurcaties of het wissen van terminaties) te creëren vanuit één enkele bronafbeelding.
• Aanpasbare Variabiliteit: Het framework stelt onderzoekers in staat om de mate van verandering af te stemmen, van subtiele verschuivingen tot significante structurele deformaties, door $\alpha$ en $n$ aan te passen.

Experimentele Resultaten
De auteurs evalueerden de methode op een dataset van vijf hoog-resolutie (3200 ppi) babyvingerafdrukken (leeftijd 0–36 uur).

• Minutiae Variatie: Experimenten toonden aan dat de methode de minutiae-aantallen aanzienlijk verandert. Hoge $\alpha$-waarden (bijv. 50%) induceerden drastische veranderingen; bijvoorbeeld daalde het minutiae-aantal van één vinger van 97 naar 57 (een reductie van ~44%) over 15 iteraties, terwijl een andere toenam van 54 naar 98 (een toename van ~81%) in één enkele iteratie.
• Structurele Dynamiek: Het framework vertoonde de capaciteit om nieuwe lijnverbindingen te creëren die lijn-eindes kunnen wissen of nieuwe bifurcaties kunnen vormen. Zelfs bij lage $\alpha$-waarden werden subtiele verschuivingen in de locatie en classificatie van minutiae waargenomen.
• Gelijkenis-analyse: Met behulp van de Dice-coëfficiënt om de gelijkenis tussen de originele en de geaugmenteerde segmenten te meten, stelden de auteurs vast dat er een over het algemeen lineaire afname in gelijkenis optreedt naarmate $\alpha$ toeneemt. Echter, zelfs bij hoge $\alpha$-waarden en een hoog aantal iteraties behielden de geaugmenteerde afbeeldingen een visuele gelijkenis met het origineel, wat aangeeft dat de methode varianten genereert in plaats van volledig kunstmatige, onherkenbare vingerafdrukken.

Betekenis en Claims
Het artikel stelt dat dit framework de kritieke bottleneck van datascarciteit in de babybiometrie aanpakt door de generatie van diverse trainingsmonsters uit een enkele input mogelijk te maken. De auteurs beweren dat de methode, door de variabiliteit na te bootsen die wordt waargenomen bij meerdere opnames van hetzelfde individu—specifiek door de deformatie van minutiae-kaarten—de training van robuustere segmentatie- en matching-neurale netwerken kan faciliteren.

De studie concludeert dat hoewel de methode effectief de variabiliteit van datasets vergroot en realistische structurele deformaties introduceert, het een hulpmiddel is voor het augmenteren van bestaande data en niet bedoeld is om de noodzaak van real-world collectie te vervangen. Toekomstig werk wordt voorgesteld om deze geaugmenteerde datasets te gebruiken voor het trainen van matching-netwerken en om specifieke kwaliteitsindices te ontwikkelen voor het evalueren van segmentatieverschillen.