[ GaitSet : Regarding Gait as a Set for Cross-View Gait Recognition]
( 1 ) ........ Gait as Unordered Set ( 현재 글 )
( 2 ) ........ Proposed Method & Set Pooling
( 3 ) ........ Horizontal Pyramid Mapping & Multilayer Global Pipeline
- Gait as Unordered Set
일반적으로 Gait Recognition에서 Gait ( 보행 ) 은 크게 두 가지 방법으로 표현된다. 하나는 Image로, 한 Sequence의 Gait Silhouette Image 들을 하나의 Image로 압축하여 표현하는데 대표적으로 GEI ( Gait Energy Image), CGI ( Chrono Gait Image), PEI ( Period Energy Image ) 등이 있다.
위 방법의 최대 장점은, 먼저 구현하기 쉽고, Data를 다루기 쉬우며, Cost가 낮다는 점이다. 하지만 순간적이고 세밀한 공간 정보를 쉽게 잃는다는 단점이 있다. 따라서 최근에는 Gait Sequence의 Silhouette Image들에서 직접적으로 Feature를 뽑아내는 방식에 대한 연구가 진행되고 있다. 이러한 방식은, 각 Frame에서의 Feature를 직접 추출하기 때문에 그 순간의 세밀한 정보를 보존할 수 있다는 장점이 있다. 하지만 해당 Image에 Noise가 포함되어 있는 경우 굉장히 취약해진다. 또 Network에 더 많은 Memory를 필요로 할뿐더러, 학습하기도 어렵다는 단점이 있다.
이 논문에서는 이러한 두 방법의 문제를 해결하기 위해 Set 단위의 Gait Sequence를 사용하는 색다른 방법론을 제안한다.
보행은 주기적인 운동으로 단일 기간 내에서 나타낼 수 있다. 이때, 한 주기의 Gait Sequence를 임의로 섞는다 하더라도, 각각의 Gait Image의 시간적 위치가 어디였는지 알아볼 수 있을 충분히 독특한 특징이 있기 때문에 이 논문에서는 Set 단위의 Gait Sequence를 사용한다.
즉, 각 Silhouette Image의 형태에는 해당 Image의 시간적 Position에 대한 정보가 포함되어 있다고 가정한다. 그렇다면, Gait Sequence의 순서는 더 이상 중요하지 않게 되고, 각 Image에서 직접 Feature를 추출할 수 있게 된다.
이러한 방법의 장점을 크게 세 가지로 표현하자면 아래와 같다.
1. Flexible
Network의 입력에 어떠한 제약 조건도 없기 때문에 유연하다는 장점이 있다. 하나의 Set을 구성하는 Gait Sequence의 길이에 제한이 없고, Viewpoint, Walking Condition 등과 같은 외적 요인도 상관 없이 입력으로 줄 수 있다.
2. Fast
GaitSet Model은 한 쌍의 Gait Template ( Sequence ) 간 유사도를 측정할 필요가 없이 Gait Representation을 직접적으로 학습한다. 따라서 각 Sample의 Representation은 단 한번만 계산하면 되고, Recognition 시 Representation 간 거리를 측정하면 된다. 이로 인해 빠르다는 장점이 있다.
3. Effective
GaitSet model은 CASIA-B Dataset 과 OU-MVLP Dataset에서 굉장한 성능 향상을 이루었다. Viewpoint와 Walking Condition의 변화에 강한 특성을 보여주었다.
다음글 ) GaitSet : Proposed Method & Set Pooling
다음 글에서는 논문에서 사용된 다른 기법 Set Pooling 과 Horizontal Pyramid Mapping에 대해 정리해보겠다.
- 참고 자료