Experiments: Start-of-art gait recognition

- 2 分钟前

GaitSet

Abstract

Experments

1. Comparison Between the Start-of-art methods and GaitSet

CASIA-B: 124 个人在 11 (0,18,……,180)个视角下 3 种条件(正常行走NM-6, 背包 BG-2, 大衣 CL-2)下的步态序列;既每个人含有 110 个不同特征的步态序列。

数据集不包含训练集和测试机的分割,所以将训练集分为三部分:

在测试集中 NM 前4个序列的图像作为 gallery set 照常用于训练,NM #5-6、BG #1-2、CL #1-2 作为 probe subsets 用于测试。

image-20200828110054083

实验结果如表 1 所示,所有结果取的是除了测试视角外的 10 个 gallery 视角的平均值。比如,Probe 为36度的结果就是在 Gallery NM#1-4 和其他每个视角的训练条件下得出的模型验证 36 ° 视角步态序列的识别准确率的均值。除了 0° 和 180°,90°的实验结果总是最差的,可能是因为步态信息不仅包含步幅大小(在90°时最清晰),也包含手臂、身体的摆动(在 0° 和 180° 时最清晰)。平行透视图和垂直透视图都丢失了部分步态信息,36º 或 144º 等视图可以获取更多的信息。

OU-MVLP:目前最大的公开步态数据集。10307 个人在 14(0, 15, … , 90; 180, 195, … , 270)个视角下,每个视角包含 2 个序列。前5153 个人的序列用于训练,5154 用于测试。测试集中序列为 #01 的作为 gallery,序列为 #00 的作为 probe 用于测试。

在 OU-MVLP 的实验结果如下表所示,与 CASIA-B 类似,Probe X 的识别结果为 X 视角在 gallery 的其他视角下得到的训练模型的平均值。由于每个样品的表示只需要计算一次,GaitSet 可以在 8个NVIDIA 1080TI GPU的条件下,在7分钟内完成测试(包含133780个序列)。在 Probe 测试数据集中有些个体的步态序列是空的,下表的实验结果并不包含去掉空序列的值,如果删除 Gallery 数据集中的无关样本,平均识别准确率可以达到 93.3%

results-on-oumvlp

2. Ablation Experiments on CASIA-B

ablation-experiments

前两行表明使用 Set 比 GEI 步态能量图作为模型输入效果更好,主要原因在于1) Set Pooling 操作基于 high-level feature map,更好的提取了 set-level feature,2) 将 gait 视为集合放大了训练集的噪声。

第 3 -8 行展示了不同 Set Pooling 参数对模型性能的影响。

第 2 行和第三行 展示了 HPM weight 对模型性能的影响。

3. Practicality

步态图像数量

1. 识别精度随着步态轮廓图数量的增加而单调增加;
 	2. 当样本包含25个以上的轮廓序列时,精度接近最佳性能。

practicality-number-fed

视角影响

image-20200828120711415

行走条件影响

image-20200828120758879

实验复现

环境

踩坑

  1. pytorch 安装检查是否可用返回 False【ref 4】:

参考资料

  1. Linux查看GPU信息和使用情况
  2. 查看 linux系统中的 CUDA,CUDNN 版本号
  3. centos下安装python3详细教程

  4. Linux环境下pytorch安装教程

Inger Notes © 2020
rss facebook twitter github gitlab youtube mail spotify lastfm instagram linkedin google google-plus pinterest medium vimeo stackoverflow reddit quora qq quora wechat