[论文解读] 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 5

一句话总结

本文介绍了 OpenGait，一个基于 PyTorch 的统一代码库，用于行人步态识别，并提出了 GaitBase 模型，这是一种结构简单但效果出色的基线模型。通过在室内和室外数据集上进行全面重新评估，GaitBase 在真实世界数据集（如 GREW 和 Gait3D）上实现了最先进性能，尤其在 GREW 上实现了 +9.5% 的准确率提升，在 Gait3D 上实现了 +18.3% 的显著提升，展现出对实际噪声因素的优越鲁棒性。

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.

研究动机与目标

• 弥合强室内步态识别性能与在真实室外场景中泛化能力差之间的差距。
• 利用公平、统一的基准测试平台，重新评估先前步态模型中广泛接受的设计选择。
• 开发一种实用、鲁棒且高效的基线模型，使其在多种真实世界条件下均表现良好。
• 提供一个可重用、可扩展的代码库，以加速未来在行人步态识别领域的研究与应用开发。

提出的方法

• 开发了 OpenGait，一个灵活高效、基于 PyTorch 的代码库，支持多种数据集、最先进模型和训练范式。
• 使用相同的训练与评估协议，重新实现并重新评估了现有的最先进方法（例如 GaitSet、GaitPart、GaitGL、SMPLGait）。
• 提出了 GaitBase，一种结构简单的模型，采用轻量级 ResNet9 主干网络、BNNeck 和带有三元组损失的对比学习框架。
• 应用空间数据增强技术（如 Random Erasing、仿射变换）以提升在噪声较大的室外数据上的鲁棒性。
• 在室内（CASIA-B、OU-MVLP）和室外（GREW、Gait3D）数据集上进行了广泛的消融实验，以验证设计选择的有效性。
• 采用固定的输入分辨率 64×44，并对超参数进行了优化（例如 margin=0.2，SGD 初始初始学习率 0.1，权重衰减 0.0005）。

实验结果

研究问题

• RQ1 为何最先进步态识别模型在从室内迁移到室外数据集时表现失败？
• RQ2 在真实世界场景中，普遍接受的网络组件（如 GaitSet 中的 MGP、GaitPart 中的 FConv）是否真正有益？
• RQ3 一个简单轻量的模型能否在真实世界步态数据集上超越复杂且近期提出的架构？
• RQ4 标准数据增强策略在缓解对噪声较大的室外数据过拟合方面有多有效？
• RQ5 构建一个鲁棒且实用的步态识别基线时，哪些组件最为关键？

主要发现

• 在 GREW 数据集（一个主要的室外基准）上，GaitBase 的 Rank-1 准确率比之前的方法高出 9.5%。
• 在大规模 Gait3D 数据集上，GaitBase 相比之前最先进方法实现了 18.3% 的准确率提升。
• 先前模型从室内到室外设置的性能下降超过 40%，凸显了严重的泛化差距。
• 数据增强在室外数据集上显著提升了性能（GREW 上 +2.4%，Gait3D 上 +9.9%），而在室内数据集上则略有性能下降。
• BNNeck 组件在所有数据集上均持续提升性能，证实了其在特征归一化方面的价值。
• 使用 ResNet50 作为主干网络在 CASIA-B* 上导致过拟合，并使计算成本增加三倍以上，但准确率提升不显著。