Fraunhofer-Institut für Graphische Datenverarbeitung IGD
Dissertation im Forschungsfeld Biometrie
Der wachsende Bedarf an verlässlichen und genauen Erkennungsmethoden zusammen mit den kürzlichen Fortschritten im Bereich des Deep Learning haben den Forschungsbereich der biometrischen Erkennung grundlegend verändert. Die Entwicklung von effizienten biometrischen Lösungen, die den benötigten Rechenaufwand minimieren ist wichtig, vor allem wenn die biometrischen Methoden auf eingebetteten Systemen oder Low-End-Geräten eingesetzt werden. Hintergrund dieser Arbeit ist daher, einen breiten Anwendungsbereich für biometrische Technologien zu erschließen.
Fadi Boutros, wissenschaftlicher Mitarbeiter in der Abteilung »Smart Living and Biometric Technologies« hat seine Dissertation am 14. Juni 2022 erfolgreich verteidigt - herzlichen Glückwunsch!
Die öffentliche Verteidigung der Dissertation zum Thema »Efficient and High Performing Biometrics: Towards Enabling Recognition in Embedded Domains« fand im Fraunhofer IGD in Darmstadt und online statt. Betreuer der Arbeit waren Prof. Dr. Arjan Kuijper (TU Darmstadt), Prof. Dr. techn. Dieter W. Fellner (TU Darmstadt) sowie Prof. Kiran Raja (NTNU).
Um eine breitere Anwendung von Gesichtserkennung in Szenarien mit starker Limitierung bezüglich des Rechenaufwands zu ermöglichen, präsentiert diese Thesis eine Reihe von effizienten Gesichtserkennungsmodellen namens MixFaceNets. Mit Fokus auf automatisiertem Netzwerkarchitektur-Design ist diese Thesis die erste, welche Neural Architecture Search einsetzt, um eine Reihe von kompakten Netzwerkarchitekturen, PocketNets, für die Gesichtserkennung zu entwickeln.
Des Weiteren präsentiert diese Thesis ein neues auf Knowledge Distillation aufbauendes Trainingsparadigma namens multi-step KD, welches die Verifizierungsperformanz von kompakten Modellen verbessert.Um die Gesichtserkennungsgenauigkeit zu erhöhen, präsentiert diese Thesis zudem eine neuartige margin-penalty softmax loss Funktion, ElasticFace, welche die Einschränkung bezüglich einer festen penalty margin aufhebt.
Die Verdeckung von Teilen des Gesichts durch Gesichtsmasken während der jüngsten COVID-19 Pandemie stellt eine neue Herausforderung für Gesichtserkennungssysteme dar. Diese Thesis präsentiert einen Ansatz, welcher die Effekte der Maske auf die Erkennungsperformanz abschwächt und so die Performanz verbessert. Der vorgestellte Lösungsansatz setzt auf existierende Gesichtserkennungsmodelle auf und vermeidet so zusätzlichen Rechenaufwand aufgrund des erneuten Trainierens oder der Umsetzung eines separaten Lösungskonzepts für maskierte Gesichter.
Mit dem Ziel, biometrische Erkennung in neue eingebettete Domänen einzuführen, wird in dieser Thesis erstmals vorgeschlagen, Head-Mounted Displays für die Identitätsverifizierung von Benutzern von Virtual und Augmented Reality Anwendungen zu benutzen. Hierfür wird zudem eine kompakte Lösung zur Segmentierung der Augen als Teil der Erkennungspipeline vorgeschlagen. Darüber hinaus wird ein identitätserhaltender Ansatz zur Erzeugung synthetischer Bilder von Augen entwickelt, um potenzielle Datenschutzbedenken im Zusammenhang mit dem Zugang zu echten biometrischen Daten zu entkräften und die Weiterentwicklung der biometrischen Erkennung in neuen Bereichen zu erleichtern.