[논문 리뷰] Learning Robust Features for Gait Recognition by Maximum Margin Criterion

Michal Balážia, Petr Sojka|arXiv (Cornell University)|2016. 09. 14.

Gait Recognition and Analysis참고 문헌 9인용 수 4

한 줄 요약

이 논문은 최대 마진 기준(MMC)을 갖춘 수정된 선형 판별 분석을 사용하여 원시 3D 관절 좌표에서 직접 강건하고 구별 가능한 걸음걸이 특징을 학습하는 기계학습 기반 접근법을 제안한다. 이 방법은 CMU MoCap 데이터베이스에서 기존의 여덟 가지 걸음걸이 인식 기법보다 뛰어난 성능을 보이며, 클래스 간 분리도와 순위 기반 분류 지표에서 최신 기술 수준에 도달했으며, 정확한 분류율 91.02%와 평균 정밀도 0.2996을 기록했다.

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.

연구 동기 및 목표

• 원시 3D 관절 좌표에서 직접 특징을 학습하는 데이터 기반 방법을 개발하여 인간이 설계한 해석 가능한 특징을 회피한다.
• 특징 공간에서 신원 클래스 간의 마진을 최대화하여 걸음걸이 인식 성능을 향상시킨다.
• 수동적인 기하학적 특징 설계의 한계를 극복하기 위해 최적의 구별 특징 추출을 위한 기계학습 기반 접근법을 활용한다.
• 표준 벤치마크(CMU MoCap)에서 제안된 방법을 평가하고 기존의 여덟 가지 걸음걸이 인식 기법과 비교한다.

제안 방법

• 이 방법은 클래스 간 분離를 최대화하고 클래스 내 변동을 최소화하는 선형 변환을 학습하기 위해 수정된 최대 마진 기준(MMC)을 사용한다.
• 입력 데이터는 한 개의 걸음걸이 주기에서 얻은 원시 3D 관절 좌표로, 고정 길이 T로 정규화되어 크기가 3JT인 고차원 벡터를 형성한다.
• MMC 목적 함수는 서로 다른 신원 클래스 간의 마진을 최대화하면서도 클래스 내 산란을 최소화하도록 최적화된다.
• 결과적으로 저차원 특징 공간은 마할라노비스 거리 기반의 효율적인 템플릿 표현과 빠른 유사도 계산을 가능하게 한다.
• 특징 템플릿은 데이터베이스에 저장되어 순위 기반 분류기와의 유사도 매칭을 통해 인식에 사용된다.
• 수작업된 기하학적 특징에 의존하지 않고 데이터 분포에서 직접 특징을 학습한다.

실험 결과

연구 질문

• RQ1 최대 마진 기준 기반 기계학습 접근법이 전통적인 인간이 설계한 기하학적 특징보다 더 구별 가능한 걸음걸이 특징을 학습할 수 있는가?
• RQ2 MMC 기반 특징 학습 방법은 클래스 간 분리도와 정확도 측면에서 여덟 가지 기존의 걸음걸이 인식 기법과 비교해 어떻게 성능을 내는가?
• RQ3 제안된 방법은 CMC, EER, AUC, MAP와 같은 순위 기반 분류 지표에서 성능 향상에 얼마나 기여하는가?
• RQ4 학습된 특징은 레이블이 없는 감시 환경에서 새로운 신원에 대해 일반화 가능한가?

주요 결과

• MMC 기반 방법은 CMU MoCap 데이터베이스에서 모든 비교 대상 여덟 가지 방법보다 높은 정확한 분류율(CCR) 91.02%를 기록했다.
• 최고의 평균 정밀도(MAP) 0.2996을 기록하여 순위 기반 분류 시스템에서 뛰어난 성능을 보였다.
• 가장 높은 실루엣 계수(SC) 0.2227를 기록하여 강한 클래스 간 분리도와 클래스 내 밀도를 나타냈다.
• 가장 낮은 Davies-Bouldin 지수(DBI) 96.2를 기록하여 뛰어난 군집 품질과 클래스 간 분리도를 확인했다.
• 가장 높은 1.278 FDR(Fisher Discriminant Ratio)를 기록하여 강력한 구별 능력을 입증했다.
• 저차원 특징 템플릿과 효율적인 마할라노비스 거리 계산 덕분에 높은 확장성을 보였다.