Schrittmustererkennung mit maskenbasierter Regularisierung

Die meisten Gangmustererkennungsverfahren nutzen räumlich-zeitliche Repräsentationen aus statischen Erscheinungen und dynamischen Gehmustern. Allerdings beobachten wir, dass viele teilbasierte Methoden Repräsentationen an den Rändern vernachlässigen. Zudem ist das Phänomen des Überanpassens (Overfitting) an Trainingsdaten in der Gangmustererkennung relativ häufig, was möglicherweise auf unzureichende Daten und geringinformative Gangkonturen zurückzuführen ist. Angeregt durch diese Beobachtungen schlagen wir eine neuartige maskebasierte Regularisierungsmethode vor, die ReverseMask genannt wird. Durch die Einbringung von Störungen in die Merkmalskarte hilft die vorgeschlagene Regularisierungsmethode Konvolutionsarchitekturen, diskriminative Repräsentationen zu lernen und verbessert die Generalisierungsfähigkeit. Des Weiteren haben wir einen Inception-ähnlichen ReverseMask-Block entworfen, der drei Zweige umfasst: einen globalen Zweig, einen Merkmalsausfall-Zweig und einen Merkmalskalibrierungs-Zweig. Genauer gesagt kann der Merkmalsausfall-Zweig feingranulare Repräsentationen extrahieren, wenn partielle Aktivierungen nullgesetzt werden. Gleichzeitig skaliert der Merkmalskalibrierungs-Zweig die Merkmalskarte zufällig, wodurch Strukturinformationen der Aktivierungen erhalten bleiben und das Überanpassen verhindert wird. Der einsteckbare Inception-ähnliche ReverseMask-Block ist einfach und effektiv zur Generalisierung von Netzen und verbessert auch die Leistung vieler Stand-of-the-Art-Methoden. Ausführliche Experimente zeigen, dass die ReverseMask-Regularisierung dazu beiträgt, dass Baseline-Modelle höhere Genauigkeit und bessere Generalisierung erzielen. Darüber hinaus übertrifft das Baseline-Modell mit dem Inception-ähnlichen Block auf den beiden beliebtesten Datensätzen, CASIA-B und OUMVLP, erheblich die Stand-of-the-Art-Methoden. Der Quellcode wird veröffentlicht werden.