QAGait: Revisit Gait Recognition from a Quality Perspective

要約

歩行認識は、歩行者の固有の歩行パターンから歩行者を識別することを目的とした、有望な生体認証方法です。
シルエット モダリティは、取得の容易さ、構造の単純さ、まばらな表現、および便利なモデリングで知られており、制御された研究室内研究で広く採用されています。
しかし、歩行認識が実験室から野外のシナリオへと急速に進歩するにつれて、さまざまな条件がシルエット モダリティに重大な課題を引き起こしています。その中には、次のようなものがあります。
形状）、2）識別可能だが困難なシルエット（背景ノイズ、非標準的な姿勢、わずかな遮蔽）。
これらの課題に対処するために、私たちは歩行認識パイプラインを再考し、品質の観点から歩行認識、つまり QAGait にアプローチします。
具体的には、バックグラウンドノイズや識別できないシルエットを除去するための Maxmial Connect Area と Template Match、非標準的な姿勢を処理するための Alignment 戦略など、一連の費用対効果の高い品質評価戦略を提案します。
また、埋め込み空間内の最適化にシルエット品質を統合するための 2 つの品質を意識した損失関数も提案します。
広範な実験により、当社の QAGait が歩行の信頼性とパフォーマンスの向上の両方を保証できることが実証されました。
さらに、当社の品質評価戦略は既存の歩行データセットとシームレスに統合でき、当社の優位性を示しています。
コードは https://github.com/wzb-bupt/QAGait で入手できます。

要約(オリジナル)

Gait recognition is a promising biometric method that aims to identify pedestrians from their unique walking patterns. Silhouette modality, renowned for its easy acquisition, simple structure, sparse representation, and convenient modeling, has been widely employed in controlled in-the-lab research. However, as gait recognition rapidly advances from in-the-lab to in-the-wild scenarios, various conditions raise significant challenges for silhouette modality, including 1) unidentifiable low-quality silhouettes (abnormal segmentation, severe occlusion, or even non-human shape), and 2) identifiable but challenging silhouettes (background noise, non-standard posture, slight occlusion). To address these challenges, we revisit gait recognition pipeline and approach gait recognition from a quality perspective, namely QAGait. Specifically, we propose a series of cost-effective quality assessment strategies, including Maxmial Connect Area and Template Match to eliminate background noises and unidentifiable silhouettes, Alignment strategy to handle non-standard postures. We also propose two quality-aware loss functions to integrate silhouette quality into optimization within the embedding space. Extensive experiments demonstrate our QAGait can guarantee both gait reliability and performance enhancement. Furthermore, our quality assessment strategies can seamlessly integrate with existing gait datasets, showcasing our superiority. Code is available at https://github.com/wzb-bupt/QAGait.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google