[논문 리뷰] Highly Efficient Human Action Recognition with Quantum Genetic Algorithm Optimized Support Vector Machine

Ya‐Feng Liu, Shimin Feng외 2명|arXiv (Cornell University)|2017. 11. 27.

Human Pose and Action Recognition참고 문헌 2인용 수 7

한 줄 요약

이 논문은 킷슨을 통해 측정한 3차원 관절 데이터를 사용하여 인간 동작 인식을 위한 양자 유전 알고리즘(QGA) 최적화 SVM를 제안한다. 동작을 관절 각도의 분산으로 표현하고, QGA를 통해 SVM의 파rameter를 최적화함으로써 MSR-12 데이터셋에서 96.15%의 정확도를 달성하였다. 이는 기존의 격자 탐색 SVM보다 2.3% 높은 성능이며, 양자 기반 최적화를 통해 분류 효율성과 정확도가 향상됨을 보여준다.

ABSTRACT

In this paper we propose the use of quantum genetic algorithm to optimize the support vector machine (SVM) for human action recognition. The Microsoft Kinect sensor can be used for skeleton tracking, which provides the joints' position data. However, how to extract the motion features for representing the dynamics of a human skeleton is still a challenge due to the complexity of human motion. We present a highly efficient features extraction method for action classification, that is, using the joint angles to represent a human skeleton and calculating the variance of each angle during an action time window. Using the proposed representation, we compared the human action classification accuracy of two approaches, including the optimized SVM based on quantum genetic algorithm and the conventional SVM with grid search. Experimental results on the MSR-12 dataset show that the conventional SVM achieved an accuracy of $ 93.85\% $. The proposed approach outperforms the conventional method with an accuracy of $ 96.15\% $.

연구 동기 및 목표

• 센서 기반 뼈대 데이터를 사용하여 인간 동작 인식의 정확도와 효율성을 향상시키는 것.
• 기존 방법에서 분류 성능를 제한하는 최적의 SVM 파rameter 선택 문제를 해결하는 것.
• 기계 학습을 위한 동작 인식 분야에서 양자 기반 알고리즘의 적용을 탐색하는 것.
• 차원 수를 줄이면서도 운동 정보를 유지하는 관절 각도 동역학 기반의 특징 표현을 개발하는 것.
• QGA가 기존 격자 탐색에 비해 SVM 초파라미터 최적화에서 우수한 성능을 보임을 검증하는 것.

제안 방법

• Microsoft Kinect를 사용해 3차원 관절 위치를 추출하여 각 동작 시퀀스당 60차원의 벡터를 구성한다.
• 연속된 세 개의 관절(예: 허리, 어깨, 인접한 사지 관절) 간의 관절 각도를 계산하여 뼈대 자세를 동적으로 표현한다.
• 행동 시간 창 동안 각 관절 각도의 분산을 계산하여 운동 동역학을 캡처하고, 데이터 차원 수를 약 1/3 감소시킨다.
• 정의된 탐색 공간 내에서 QGA를 사용해 SVM의 정규화 파rameter C와 반경 기저 함수(RBF) 커널 파rameter σ를 최적화한다.
• QGA를 구현할 때 인구 수 80, 60비트의 양자 표현 방식을 사용하고, 탐색 범위는 C ∈ [2⁻², 2⁴], σ ∈ [2⁻⁴, 2⁴]로 설정하여 양자 병렬 처리를 활용해 빠른 수렴을 이룬다.
• 차원 압축 없이 22차원 특징 벡터에 직접 SVM 분류기를 훈련 및 테스트하여 계산 가능성과 확장성을 확보한다.

실험 결과

연구 질문

• RQ1 시간에 따른 관절 각도 분산이 동작 인식을 위한 인간 운동 동역학을 효과적으로 표현할 수 있는가?
• RQ2 격자 탐색에 비해 QGA를 통한 SVM 파라미터 최적화가 분류 정확도를 유의미하게 향상시키는가?
• RQ3 인간 동작 인식 맥락에서 QGA의 계산 효율성은 기존의 격자 탐색과 비교해 어떻게 되는가?
• RQ4 QGA가 파라미터 공간을 탐색함으로써 SVM 기반의 동작 인식에서 더 나은 일반화 능력과 높은 정확도를 달성하는 데 얼마나 기여하는가?
• RQ5 제안된 특징 표현 및 QGA-SVM 파이프라인은 기본 제스처를 넘어서는 더 복잡한 인간 동작으로 확장 가능한가?

주요 결과

• 제안된 방법은 QGA 최적화 SVM를 사용해 MSR-12 데이터셋에서 96.15%의 분류 정확도를 달성하였으며, 기존의 격자 탐색 SVM(93.85%)보다 높은 성능을 보였다.
• QGA 기반 접근법은 합리적인 시간 복잡도를 유지하면서도 정확도를 2.3% 향상시켰으며, 양자 기반 최적화의 효과성을 입증하였다.
• QGA는 매우 빠르게 수렴하여 거의 두 번째 세대 안에 최적 성능에 도달하였으며, 이는 빠른 수렴과 강력한 탐색 능력을 시사한다.
• 혼동 행렬 분석 결과 QGA 기반 분류에서는 '던지기' 동작에 대해 100%의 정확도를 기록했고, '양손을 들어 올리기' 동작은 92.86%의 정확도를 기록하며 최소한의 오분류가 발생하였다.
• 관절 각도 분산을 활용함으로써 특징 차원 수를 60에서 22로 감소시켜 계산 효율성을 향상시키면서도 정확도를 유지하였다.
• QGA는 비교적 짧은 시간 내에 격자 탐색보다 훨씬 더 넓은 파라미터 공간을 탐색하여 더 나은 초파라미터 선택과 모델 일반화 능력을 향상시켰다.