[논문 리뷰] OpenGait: Revisiting Gait Recognition Toward Better Practicality

Chao Fan, Junhao Liang외 4명|arXiv (Cornell University)|2022. 11. 12.

Gait Recognition and Analysis인용 수 5

한 줄 요약

이 논문은 걸음걸이 인식을 위한 통합된 파이토치 기반 코드베이스인 OpenGait를 소개하고, 단순하면서도 뛰어난 성능을 보이는 기준 모델인 GaitBase를 제안한다. 실내 및 실외 데이터셋에서의 종합적인 재평가를 통해 GaitBase는 특히 실제 환경 데이터셋인 GREW(+9.5% 정확도 향상)와 Gait3D(+18.3%)에서 최신 기준 성능을 달성하며, 실제 노이즈 요인에 대한 뛰어난 내구성을 입증한다.

ABSTRACT

Gait recognition is one of the most critical long-distance identification technologies and increasingly gains popularity in both research and industry communities. Despite the significant progress made in indoor datasets, much evidence shows that gait recognition techniques perform poorly in the wild. More importantly, we also find that some conclusions drawn from indoor datasets cannot be generalized to real applications. Therefore, the primary goal of this paper is to present a comprehensive benchmark study for better practicality rather than only a particular model for better performance. To this end, we first develop a flexible and efficient gait recognition codebase named OpenGait. Based on OpenGait, we deeply revisit the recent development of gait recognition by re-conducting the ablative experiments. Encouragingly,we detect some unperfect parts of certain prior woks, as well as new insights. Inspired by these discoveries, we develop a structurally simple, empirically powerful, and practically robust baseline model, GaitBase. Experimentally, we comprehensively compare GaitBase with many current gait recognition methods on multiple public datasets, and the results reflect that GaitBase achieves significantly strong performance in most cases regardless of indoor or outdoor situations. Code is available at https://github.com/ShiqiYu/OpenGait.

연구 동기 및 목표

• 강력한 실내 걸음걸이 인식 성능와 실제 외부 환경으로의 일반화 부족 간 격차를 해소하기 위해.
• 공정하고 통합된 벤치마킹 플랫폼을 통해 이전 걸음걸이 모델에서 널리 수용된 설계 선택 사항을 재평가하기 위해.
• 다양한 실제 환경 조건에서 잘 작동하는 실용적이고 내구성 있고 효율적인 기준 모델을 개발하기 위해.
• 향후 걸음걸이 인식 분야의 연구 및 응용 개발을 가속화하기 위해 재사용 가능하고 확장 가능한 코드베이스를 제공하기 위해.

제안 방법

• 다양한 데이터셋, 최신 기술 모델, 학습 파라다임을 지원하는 유연하고 효율적인 파이토치 기반 코드베이스인 OpenGait를 개발했다.
• 동일한 학습 및 평가 프로토콜을 사용하여 기존 최신 기술 모델들(예: GaitSet, GaitPart, GaitGL, SMPLGait)을 재구현하고 재평가했다.
• 경량 ResNet9 백본, BNNeck, 그리고 트리플릿 손실을 사용하는 대비 학습 프레임워크를 갖춘 구조적으로 단순한 모델인 GaitBase를 제안했다.
• 노이즈가 많은 외부 데이터에 대한 내구성을 햖을 위해 공간적 데이터 증강 기법(예: Random Erasing, Affine Transformation)을 적용했다.
• 실내(CASIA-B, OU-MVLP) 및 실외(GREW, Gait3D) 데이터셋에서 광범위한 아블레이션 연구를 수행하여 설계 선택 사항의 타당성을 검증했다.
• 고정된 입력 해상도 64×44를 사용하고, 하이퍼파ram터(예: 마진=0.2, 초기 학습률 0.1, 0.0005 가중치 감소)를 최적화했다.

실험 결과

연구 질문

• RQ1 최신 기술 걸음걸이 인식 모델들이 왜 실내에서의 성능은 우수하지만 실외 데이터셋으로의 일반화에 실패하는가?
• RQ2 일반적으로 수용된 아키텍처 구성 요소들(예: GaitSet의 MGP, GaitPart의 FConv)이 실제 환경에서 진정으로 유익한가?
• RQ3 단순하고 경량인 모델이 실제 환경 걸음걸이 데이터셋에서 최근에 제안된 복잡한 아키텍처를 능가할 수 있는가?
• RQ4 기본적인 데이터 증강 전략이 노이즈가 많은 외부 변형에 의한 과적합을 얼마나 효과적으로 완화하는가?
• RQ5 강건하고 실용적인 걸음걸이 인식 기준 모델을 구축하기 위해 가장 중요한 구성 요소는 무엇인가?

주요 결과

• GREW 데이터셋, 즉 주요 실외 벤치마크에서 GaitBase는 이전 방법보다 9.5% 높은 랭크-1 정확도를 달성했다.
• 대규모 Gait3D 데이터셋에서 GaitBase는 이전 최신 기술 방법보다 18.3% 정확도 향상을 이룩했다.
• 이전 모델의 실내에서 실외 환경으로의 성능 저하율이 40%를 초과하여 심각한 일반화 격차가 존재함을 확인했다.
• 데이터 증강 기법은 실외 데이터셋에서 성능을 크게 향상시켰다(+2.4% GREW, +9.9% Gait3D), 반면 실내 데이터셋에서는 약간의 성능 저하를 보였다.
• BNNeck 구성 요소는 모든 데이터셋에서 일관되게 성능 향상을 이끌어내어 특징 정규화의 가치를 확인했다.
• ResNet50을 백본으로 사용할 경우 CASIA-B*에서 과적합 현상이 발생하고, 정확도 향상 없이 계산 비용이 3배 이상 증가함을 확인했다.