[論文レビュー] Learning Robust Features for Gait Recognition by Maximum Margin Criterion

Michal Balážia, Petr Sojka|arXiv (Cornell University)|Sep 14, 2016

Gait Recognition and Analysis参考文献 9被引用数 4

ひとこと要約

本論文では、最大マージン基準（MMC）を応用した修正線形判別分析を用いて、rawな3次元関節座標から直接、頑健で判別性の高い歩行特徴を学習する機械学習的手法を提案する。この手法は、CMU MoCapデータベース上で8つの既存の歩行認識技術を上回り、クラス分離性およびランクベース分類指標において最先端の性能を達成しており、正しく分類された率が91.02%、平均平均精度（MAP）が0.2996に達している。

ABSTRACT

In the field of gait recognition from motion capture data, designing human-interpretable gait features is a common practice of many fellow researchers. To refrain from ad-hoc schemes and to find maximally discriminative features we may need to explore beyond the limits of human interpretability. This paper contributes to the state-of-the-art with a machine learning approach for extracting robust gait features directly from raw joint coordinates. The features are learned by a modification of Linear Discriminant Analysis with Maximum Margin Criterion so that the identities are maximally separated and, in combination with an appropriate classifier, used for gait recognition. Experiments on the CMU MoCap database show that this method outperforms eight other relevant methods in terms of the distribution of biometric templates in respective feature spaces expressed in four class separability coefficients. Additional experiments indicate that this method is a leading concept for rank-based classifier systems.

研究の動機と目的

• rawな3次元関節座標から直接、人間が設計した解釈可能な特徴に依存しないデータ駆動型の歩行特徴学習手法を開発すること。
• 特徴空間における個人識別クラス間のマージンを最大化することで、歩行認識性能を向上させること。
• 手作業による幾何的特徴工学の限界を克服し、最適な判別性特徴抽出を実現するため、機械学習を活用すること。
• 標準ベンチマーク（CMU MoCap）上で提案手法を評価し、8つの確立された歩行認識手法と比較すること。

提案手法

• 本手法は、クラス間分離を最大化し、クラス内分散を最小化するように最適化される修正された線形判別分析（MMC）を用い、特徴空間における線形変換を学習する。
• 入力データは、1つの歩行サイクルのrawな3次元関節座標からなり、固定長Tに正規化され、サイズ3JTの高次元ベクトルを形成する。
• MMCの目的関数は、異なる個人識別クラス間のマージンを最大化するとともに、クラス内散乱を最小化するように最適化される。
• 得られた低次元特徴空間により、マハラノビス距離を用いた効率的なテンプレート表現と類似度計算が可能になる。
• 特徴テンプレートはデータベースに保存され、ランクベース分類器を用いた類似度マッチングにより識別に利用される。
• 本手法は、手作業で設計された幾何的特徴に依存せず、むしろデータ分布から直接特徴を学習する。

実験結果

リサーチクエスチョン

• RQ1 最大マージン基準（MMC）に基づく機械学習的手法は、従来の手作業による幾何的特徴に比べ、より判別性の高い歩行特徴を学習できるか？
• RQ2 MMCに基づく特徴学習手法は、8つの確立された歩行認識手法と比較して、クラス分離性および認識精度においてどのように差をつけるか？
• RQ3 提案手法は、CMC、EER、AUC、MAPといったランクベース分類指標において、どの程度性能を向上させるか？
• RQ4 学習された特徴は、ラベルなしの監視下のシナリオ（特に監視環境）において、未観測の個人識別に一般化可能か？

主な発見

• MMCに基づく手法は、CMU MoCapデータベース上で、91.02%の最高の正しく分類された率（CCR）を達成し、比較した8つの手法をすべて上回った。
• 平均平均精度（MAP）が0.2996と最高を記録し、ランクベース分類システムにおける優れた性能を示した。
• シルエット係数（SC）が0.2227と最高を記録し、クラス間分離性とクラス内凝集性の両方が優れていることを示した。
• デイヴィス・ボウリン指数（DBI）が96.2と最低を記録し、優れたクラスタリング品質とクラス分離性を確認した。
• Fisher判別比（FDR）が1.278と、全手法の中で最高を記録し、強力な判別力を持っていることを示した。
• 低次元特徴テンプレートと効率的なマハラノビス距離計算のおかげで、高いスケーラビリティを示した。