[논문 리뷰] A Comprehensive Survey on Deep Gait Recognition: Algorithms, Datasets and Challenges

Chuanfu Shen, Shiqi Yu외 3명|arXiv (Cornell University)|2022. 06. 28.

Gait Recognition and Analysis인용 수 30

한 줄 요약

이 논문은 딥 러닝 기반 보행 인식에 대한 최신 조사를 제공하며, 2차원 분류 체계(딥 표현 학습과 신경망 아키텍처)를 도입하고, 데이터 세트를 검토하며, 시나리오 전반의 성능을 평가하고, 프라이버시 및 보안 문제를 다룬다.

ABSTRACT

Gait recognition aims to identify a person at a distance, serving as a promising solution for long-distance and less-cooperation pedestrian recognition. Recently, significant advancements in gait recognition have achieved inspiring success in many challenging scenarios by utilizing deep learning techniques. Against the backdrop that deep gait recognition has achieved almost perfect performance in laboratory datasets, much recent research has introduced new challenges for gait recognition, including robust deep representation modeling, in-the-wild gait recognition, and even recognition from new visual sensors such as infrared and depth cameras. Meanwhile, the increasing performance of gait recognition might also reveal concerns about biometrics security and privacy prevention for society. We provide a comprehensive survey on recent literature using deep learning and a discussion on the privacy and security of gait biometrics. This survey reviews the existing deep gait recognition methods through a novel view based on our proposed taxonomy. The proposed taxonomy differs from the conventional taxonomy of categorizing available gait recognition methods into the model- or appearance-based methods, while our taxonomic hierarchy considers deep gait recognition from two perspectives: deep representation learning and deep network architectures, illustrating the current approaches from both micro and macro levels. We also include up-to-date reviews of datasets and performance evaluations on diverse scenarios. Finally, we introduce privacy and security concerns on gait biometrics and discuss outstanding challenges and potential directions for future research.

연구 동기 및 목표

• 2차원 분류 체계(깊은 표현 학습과 신경망 아키텍처)로부터 딥 보행 인식의 진보를 요약한다.
• 교차 시점/뷰, 야생 환경, 옷 변화, 3D 공간 시나리오에서 데이터 세트와 벤치마크 진행 상황을 검토한다.
• 생체 인식 보안 및 프라이버시 함의를 논의하고 남아 있는 도전 과제와 향후 방향을 제시한다.

제안 방법

• 깊은 표현 학습과 깊은 네트워크 아키텍처에 초점을 맞춘 딥 보행 인식용 새로운 2차원 분류 체계를 제안한다.
• 마이크로(특징 학습)와 매크로(아키텍처) 관점에서 기존의 딥 보행 방법을 조사하고 분류한다.
• 네 가지 시나리오(교차 뷰, 야생, 옷 변화, 3D 공간)에서 보행 데이터 세트와 성능 평가의 최신 검토를 제공한다.
• 보행 생체인식의 프라이버시 및 보안 문제를 논의하고 향후 연구 방향을 제시한다.

실험 결과

연구 질문

• RQ1 보행 인식에 사용되는 현재의 딥 표현 학습 기법은 무엇인가?
• RQ2 신경망 아키텍처(판별적 vs. 생성적)가 보행 인식 성능에 어떤 기여를 하는가?
• RQ3 주요 데이터 세트는 무엇이며 방법들이 교차 뷰, 야생, 옷 변화, 3D 공간 시나리오에서 어떻게 성능을 보이는가?
• RQ4 보행 생체인식을 위협하는 프라이버시 및 보안 이슈는 무엇이며 이를 다루는 향후 방향은 무엇인가?

주요 결과

• 본 조사는 딥 보행 인식 방법, 데이터 세트 및 벤치마크의 최신 목록을 제공한다.
• 딥 표현 학습과 신경망 아키텍처에 따라 딥 보행 방법을 분석하는 새로운 분류 체계가 제안되어 전통적인 모델-대-외관 기반 분류를 넘어 매크로/마이크로 관점을 제공한다.
• 시나리오별 성능이 요약되며, 딥 모델이 CASIA-B(예: 외관 변화 설정에서 높은 정확도) 및 GREW(실외 대규모 시험에서 70% 이상 rank-1)와 같은 데이터 세트에서 강한 성능을 달성한다는 점이 지적된다.
• 본 논문은 보행 생체인식의 보안 및 프라이버시 문제를 다루며, 도전 과제와 향후 방향을 강조한다.