Conceitos Básicos
ポイントクラウド分析と再利用を組み込むことで、従来の外観ベースおよびCNNベースの歩行認識手法の性能を向上させることができる。
Resumo
本研究では、歩行認識のための新しいフレームワーク「GaitPoint+」を提案している。GaitPoint+は、外観特徴とスケルトン特徴を組み合わせることで、外観の変化に対してより頑健な認識性能を実現する。
具体的には以下の3つの特徴がある:
スケルトンキーポイントをポイントクラウドとして処理し、効率的な3Dポイント処理アプローチを用いてスケルトン特徴を抽出する。これにより、外観特徴と相補的な情報を得ることができる。
従来のmax poolingでは多くのキーポイントが捨てられていることを分析し、Recycling Max-Pooling (RMP)モジュールを導入することで、捨てられたポイントの情報を再利用し、認識精度をさらに向上させる。
RMPモジュールは訓練時にのみ使用されるため、推論時の計算コストを増加させることなく、精度向上を実現できる。
実験結果では、GaitPoint+がGaitSet、GaitPart、GaitGLなどの従来手法に比べて、特に外観が大きく変化する状況(バッグを持って歩く、コートを着て歩く)で大幅な精度向上を示している。また、アブレーション実験により、RMPモジュールの有効性や、個々のキーポイントの寄与度なども明らかにしている。
Estatísticas
歩行認識精度は、通常歩行時が95.90%、バッグを持って歩く時が92.08%、コートを着て歩く時が79.29%であった。
Citações
"ポイントクラウド分析と再利用を組み込むことで、従来の外観ベースおよびCNNベースの歩行認識手法の性能を向上させることができる。"
"RMPモジュールは訓練時にのみ使用されるため、推論時の計算コストを増加させることなく、精度向上を実現できる。"