[論文レビュー] OpenGait: Revisiting Gait Recognition Toward Better Practicality

Chao Fan, Junhao Liang+4 more|arXiv (Cornell University)|Nov 12, 2022

Gait Recognition and Analysis被引用数 5

ひとこと要約

この論文では、歩行認識のための統合的PyTorchベースのコードベースOpenGaitと、単純だが非常に効果的なベースラインモデルGaitBaseを紹介する。室内および屋外データセットにおける包括的な再評価を通じて、GaitBaseは特にGREW（+9.5%の精度向上）やGait3D（+18.3%）といった実世界のデータセットにおいて最先端の性能を達成し、実用的なノイズ要因に対して優れた耐性を示している。

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.

研究の動機と目的

• 屋内での優れた歩行認識性能と、実世界の屋外シナリオへの一般化性能の低さのギャップを埋める。
• 公平で統一されたベンチマークプラットフォームを用いて、従来の歩行認識モデルにおける広く受け入れられている設計選択を再評価する。
• 多様な実世界の条件下でも良好に動作する、実用的で頑健かつ効率的なベースラインモデルを開発する。
• 今後の研究やアプリケーション開発の加速を図るための再利用可能で拡張可能なコードベースを提供する。

提案手法

• 複数のデータセット、最先端のモデル、トレーニングパラダイムをサポートする、柔軟で効率的なPyTorchベースのコードベースOpenGaitを開発した。
• 同じトレーニングおよび評価プロトコルを用いて、既存の最先端手法（例：GaitSet, GaitPart, GaitGL, SMPLGait）を再実装および再評価した。
• 軽量なResNet9バックボーン、BNNeck、およびトリプレット損失を用いた対照学習フレームワークを有する、構造的に単純なモデルGaitBaseを提案した。
• ノイズの多い屋外データに対して耐性を高めるために、空間的データオーグメンテーション技術（例：Random Erasing, Affine Transformation）を適用した。
• 設計選択の妥当性を検証するため、屋内（CASIA-B, OU-MVLP）および屋外（GREW, Gait3D）データセットで広範なアブレーションスタディを実施した。
• 固定入力解像度64×44と、ハイパーパrameter（例：マージン=0.2、初期値0.1のSGD、0.0005の重み減衰）を最適化した。

実験結果

リサーチクエスチョン

• RQ1 なぜ最先端の歩行認識モデルは、屋内から屋外データセットへの一般化に失敗するのか？
• RQ2 一般的に受け入れられているアーキテクチャ的要素（例：GaitSetにおけるMGP、GaitPartにおけるFConv）は、実世界のシナリオにおいて真に有益なのか？
• RQ3 単純で軽量なモデルが、最近提案された複雑なアーキテクチャーよりも実世界の歩行認識データセットで優れた性能を発揮できるか？
• RQ4 標準的なデータオーグメンテーション戦略は、ノイズの多い屋外の変動要因への過学習を緩和するためにどれほど効果的か？
• RQ5 頑健で実用的な歩行認識ベースラインを構築する上で、どのコンponentsが最も重要か？

主な発見

• GREWデータセット（屋外の主要なベンチマーク）において、GaitBaseは従来手法よりも9.5%高いRank-1精度を達成した。
• 大規模なGait3Dデータセットでは、GaitBaseは従来の最先端手法よりも18.3%の精度向上を達成した。
• 従来のモデルは、屋内から屋外の設定に移行する際に40%を超える性能低下を示しており、一般化ギャップが顕著であることが明らかになった。
• データオーグメンテーションは屋外データセットでの性能を顕著に向上させた（GREWで+2.4%、Gait3Dで+9.9%）、一方で屋内データセットではわずかに性能が低下した。
• BNNeckコンponentは、すべてのデータセットで一貫して性能を向上させ、特徴正規化における価値を確認した。
• ResNet50をバックボーンとして使用すると、CASIA-B*で過学習が生じ、計算コストが3倍以上に増加するが、精度の向上は顕著でない。