CarGait: Cross-Attention based Re-ranking for Gait recognition

要約

歩行認識は、歩行パターンに基づいて個人を識別するコンピュータービジョンタスクです。
歩行認識パフォーマンスは、候補者のギャラリーをランク付けし、上位$ $ k $で精度を測定することにより、一般的に評価されます。
既存のモデルは通常、シングルステージにあります。つまり、単一のグローバルな機能表現を使用して、ギャラリーでプローブの最近隣人を検索します。
これらのモデルは通常、$ $ k $の予測内で正しいアイデンティティを取得することに優れていますが、トップの短リストにハードネガティブが現れ、最高ランクでのパフォーマンスが比較的低い（ランク1など）、苦労します。
このホワイトペーパーでは、歩行認識のための交差アテナテンションの再ランク方法であるCargaitを紹介します。これには、歩行ストリップ間の交差測定による歩行シーケンスのペア間の細かい相関関係をレバレッジする最高$ k $リストを並べ替えます。
この再ランクスキームは、既存のシングルステージモデルに適応して、最終結果を強化できます。
3つの一般的な歩行データセット、GAIT3D、GREW、およびOU-MVLP、および7つの異なる歩行モデルでの広範な実験により、Cargaitの機能を実証し、ランク1,5の精度、既存の再ランクメソッドよりも優れた結果、および強力なベースラインの一貫した改善を示します。

要約(オリジナル)

Gait recognition is a computer vision task that identifies individuals based on their walking patterns. Gait recognition performance is commonly evaluated by ranking a gallery of candidates and measuring the accuracy at the top Rank-$K$. Existing models are typically single-staged, i.e. searching for the probe’s nearest neighbors in a gallery using a single global feature representation. Although these models typically excel at retrieving the correct identity within the top-$K$ predictions, they struggle when hard negatives appear in the top short-list, leading to relatively low performance at the highest ranks (e.g., Rank-1). In this paper, we introduce CarGait, a Cross-Attention Re-ranking method for gait recognition, that involves re-ordering the top-$K$ list leveraging the fine-grained correlations between pairs of gait sequences through cross-attention between gait strips. This re-ranking scheme can be adapted to existing single-stage models to enhance their final results. We demonstrate the capabilities of CarGait by extensive experiments on three common gait datasets, Gait3D, GREW, and OU-MVLP, and seven different gait models, showing consistent improvements in Rank-1,5 accuracy, superior results over existing re-ranking methods, and strong baselines.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google