[논문 리뷰] HEATGait: Hop-Extracted Adjacency Technique in Graph Convolution based Gait Recognition

Md. Bakhtiar Hasan, Tasnim Ahmed외 1명|arXiv (Cornell University)|2022. 04. 21.

Gait Recognition and Analysis참고 문헌 23인용 수 7

한 줄 요약

이 논문은 모델 기반 걸음걸이 인식에 사용되는 다중 척도 그래프 컬러리션 네트워크에서 편향된 가중치 문제를 완화하기 위해 홉 추출 기법을 사용하여 더 균형 잡힌 인접 행렬을 구성하는 새로운 걸음걸이 인식 프레임워크인 HEATGait을 제안한다. 자세 추정, 전처리 및 ResGCN 기반 아키텍처를 결합함으로써 HEATGait는 CASIA-B 데이터셋에서 정상 보행 조건 하에 93.3%의 정확도를 기록하고 배경 변화 조건 하에 87.5%의 정확도를 달성하여 최신 기술 수준의 성능을 달성한다.

ABSTRACT

Biometric authentication using gait has become a promising field due to its unobtrusive nature. Recent approaches in model-based gait recognition techniques utilize spatio-temporal graphs for the elegant extraction of gait features. However, existing methods often rely on multi-scale operators for extracting long-range relationships among joints resulting in biased weighting. In this paper, we present HEATGait, a gait recognition system that improves the existing multi-scale graph convolution by efficient hop-extraction technique to alleviate the issue. Combined with preprocessing and augmentation techniques, we propose a powerful feature extractor that utilizes ResGCN to achieve state-of-the-art performance in model-based gait recognition on the CASIA-B gait dataset.

연구 동기 및 목표

• 모델 기반 걸음걸이 인식에 사용되는 다중 척도 그래프 컬러리션 네트워크에서 편향된 가중치 문제를 해결하기 위해.
• 다항식 기반 인접 행렬 확장 대신 홉 추출 기법을 도입하여 장거리 관절 간의 종속성 모델링을 향상시키기 위해.
• 낮은 신뢰도의 자세 추정 결과를 제거하는 전처리를 통해 특징 표현을 향상시키기 위해.
• ResGCN 기반 아키텍처를 사용하여 CASIA-B 걸음걸이 인식 벤치마크에서 최신 기술 수준의 성능을 달성하기 위해.

제안 방법

• 시스템은 걸음걸이 영상 프레임에서 2차원 관절 좌표를 추출하기 위해 자세 추정 네트워크를 사용한다.
• 전처리 단계에서는 낮은 신뢰도의 자세 예측을 가진 프레임을 제거하여 노이즈를 줄이고 모델 수렴을 향상시킨다.
• 새로운 홉 추출 기법을 통해 순환 보행 편향 없이 장거리 관절 관계를 캡처하는 다중 척도 인접 행렬을 구성한다.
• 이 인접 행렬은 스파티오-타임리얼 걸음걸이 특징을 학습하기 위해 ResGCN 기반 그래프 컬러리션 네트워크에 사용된다.
• 과적합을 방지하기 위해 지도 기반 대비 손실과 순환 학습률 스케줄링을 사용하여 모델을 훈련시킨다.
• 자세 시퀀스의 순차적 처리를 통해 시간적 모델링을 프레임워크에 통합한다.

실험 결과

연구 질문

• RQ1 다항식 기반 다중 척도 그래프 컬러리션에서의 편향된 가중치 문제는 걸음걸이 인식에서 효과적으로 완화될 수 있는가?
• RQ2 기존의 고차수 인접 행렬 대비 홉 추출 기법은 장거리 관절 간 종속성 모델링에서 얼마나 향상되는가?
• RQ3 자세 추정 결과의 전처리가 도전적인 보행 조건에서 특히 정확도 향상에 상당한 기여를 할 수 있는가?
• RQ4 제안된 HEATGait 프레임워크는 다양한 시야각과 보행 조건에서 기존 최신 기술 수준의 방법들을 초월하는가?

주요 결과

• HEATGait는 CASIA-B 데이터셋에서 정상 보행(NM) 조건 하에 93.3%의 인식 정확도를 달성하여 기준 ResGCN를 크게 능가한다.
• 배경 변화(BG) 조건 하에 87.5%의 정확도를 기록하고 옷 변화(CL) 조건 하에 82.3%의 정확도를 달성하여 환경적 및 외관 변화에 강건함을 입증한다.
• 제거 분석 결과, 전처리만으로도 평균 2.33%의 정확도 향상이 있었고, 홉 추출 기법을 추가하면 기준 대비 11.07%의 정확도 향상이 이루어졌다.
• HEATGait는 12개 평가 설정 중 10개에서 모든 최신 기술 수준의 방법들을 능가했으며, 54° 및 72° 시야각을 제외한 모든 조건에서 유사한 성능을 유지했다.
• 지도 기반 대비 손실과 순환 학습률 스케줄링의 사용은 과적합을 효과적으로 방지하여 제한된 걸음걸이 데이터에서 안정적인 훈련을 가능하게 했다.