Iterative Framework For Data Augmentation Of Segmented Fingerprints

Resumo Técnico: Estrutura Iterativa para Aumento de Dados de Impressões Digitais Segmentadas

Declaração do Problema
A biometria infantil enfrenta obstáculos significativos devido às diferenças fisiológicas entre bebês e adultos, especificamente as estruturas de cristas e vales mais finas e próximas entre si nas impressões digitais de bebês. Essas características, combinadas com a deformação frequente durante a captura e a escassez de conjuntos de dados amplos e representativos, dificultam o desenvolvimento de sistemas de correspondência robustos. Embora o Aprendizado Profundo (Deep Learning) ofereça um caminho promissor para identificar padrões de impressões digitais de bebês, essas redes requerem grandes quantidades de dados de treinamento. As técnicas tradicionais de aumento de dados (ex: rotação, recorte, oclusão) aplicadas a imagens brutas frequentemente falham em abordar os desafios específicos da segmentação de cristas de bebês ou exigem conjuntos de dados iniciais grandes para treinar modelos generativos. Além disso, adquirir imagens de alta qualidade de bebês é caro e difícil.

Metodologia
O artigo propõe uma nova estrutura iterativa de aumento de dados que opera em impressões digitais segmentadas (pré-processadas) em vez de imagens brutas capturadas. Ao focar na segmentação binária de cristas e vales, o método evita a necessidade de replicar características complexas de textura e contraste.

O mecanismo central explora os erros inerentes de uma Rede Neural Convolucional (CNN) treinada para segmentar vales de impressões digitais de bebês. A estrutura funciona da seguinte forma:

1. Entrada: Uma imagem de impressão digital segmentada é alimentada em uma CNN pré-treinada para prever a segmentação dos vales.
2. Sobreposição: A segmentação prevista pela CNN é sobreposta à imagem original usando um parâmetro de opacidade definido pelo usuário ($\alpha$).
3. Iteração: Esta imagem combinada (original + sobreposição) torna-se a entrada para a próxima iteração ($i+1$).
4. Progressão: À medida que as iterações procedem, a CNN processa uma imagem onde os vales estão parcialmente obscurecidos ou alterados pelas saídas de segmentação anteriores. Isso induz uma transformação cumulativa onde as linhas dos vales previstos são conectadas, deslocadas ou estendidas, alterando efetivamente o mapa de minutiae enquanto mantém a estrutura geral da impressão digital.

O processo é controlado por dois parâmetros:

• $\alpha$ (Alpha): Regula a opacidade da sobreposição (0% a 100%), controlando a intensidade da modificação.
• $n$ (Repetições): Determina o número de iterações realizadas.

Principais Contribuições

• Aumento Centrado na Segmentação: Ao contrário de métodos que geram impressões digitais inteiramente sintéticas ou aplicam transformações geométricas em imagens brutas, esta abordagem gera variantes manipulando os detalhes estruturais (minutiae) de imagens segmentadas.
• Diversidade Impulsionada por Erros: O método utiliza intencionalmente as limitações e erros das redes de segmentação para criar variações estruturais diversas (ex: conectar linhas, criar novas bifurcações ou apagar terminações) a partir de uma única imagem de origem.
• Variabilidade Customizável: A estrutura permite que pesquisadores ajustem o grau de alteração, desde mudanças sutis até deformações estruturais significativas, ajustando $\alpha$ e $n$.

Resultos Experimentais
Os autores avaliaram o método em um conjunto de dados de cinco impressões digitais de alta resolução (3200 ppi) de bebês (idades de 0 a 36 horas).

• Variação de Minutiae: Experimentos demonstraram que o método altera significativamente as contagens de minutiae. Valores altos de $\alpha$ (ex: 50%) induziram mudanças drásticas; por exemplo, a contagem de minutiae de um dedo caiu de 97 para 57 (uma redução de ~44%) ao longo de 15 iterações, enquanto outro aumentou de 54 para 98 (um aumento de ~81%) em uma única iteração.
• Dinâmica Estrutural: Observou-se que a estrutura cria novas conexões de linhas que podem apagar terminações de linhas ou formar novas bifurcações. Mesmo com valores baixos de $\alpha$, observaram-se mudanças sutis na localização e classificação das minutiae.
• Análise de Similaridade: Usando o coeficiente de Dice para medir a similaridade entre os segmentos originais e aumentados, o estudo descobriu uma diminuição geralmente linear na similaridade conforme $\alpha$ aumentava. No entanto, mesmo com valores altos de $\alpha$ e alto número de iterações, as imagens aumentadas mantiveram similaridade visual com o original, indicando que o método gera variantes em vez de impressões digitais completamente artificiais e irreconhecíveis.

Significância e Alegações
O artigo postula que esta estrutura aborda o gargalo crítico da escassez de dados em biometria infantil, permitindo a geração de diversos exemplos de treinamento a partir de uma única entrada. Os autores alegam que, ao mimetizar a variabilidade observada em múltiplas capturas do mesmo indivíduo — especificamente através da deformação de mapas de minutiae — o método pode facilitar o treinamento de redes neurais de segmentação e correspondência mais robustas.

O estudo conclui que, embora o método aumente efetivamente a variabilidade do conjunto de dados e introduza deformações estruturais realistas, ele é uma ferramenta para aumentar os dados existentes, e não para substituir a necessidade de coleta no mundo real. Trabalhos futuros são propostos para utilizar esses conjuntos de dados aumentados para treinar redes de correspondência e para desenvolver índices de qualidade específicos para avaliar as diferenças de segmentação.