마스크 기반 정규화를 이용한 보행 인식

대부분의 보행 인식 방법은 정적 외관과 동적 보행 패턴에서 공간-시간 표현을 활용합니다. 그러나 우리는 많은 부분 기반 방법들이 경계 표현을 간과하고 있다는 점을 관찰하였습니다. 또한, 보행 인식에서는 훈련 데이터에 대한 과적합 현상이 상당히 일반적이며, 이는 아마도 부족한 데이터와 정보량이 낮은 보행 실루엣 때문일 것입니다. 이러한 관찰에 착안하여, 우리는 새로운 마스크 기반 정규화 방법인 ReverseMask를 제안합니다. 특성 맵에 섭동을 주입함으로써 제안된 정규화 방법은 합성곱 구조가 차별적인 표현을 학습하는 데 도움을 주고 일반화를 강화합니다. 또한, 우리는 글로벌 브랜치, 특성 드롭아웃 브랜치, 그리고 특성 스케일링 브랜치로 구성된 Inception 스타일의 ReverseMask 블록을 설계하였습니다. 특히, 드롭아웃 브랜치는 일부 활성화가 제거되는 경우 미세한 표현을 추출할 수 있습니다. 한편, 스케일링 브랜치는 특성 맵을 무작위로 스케일링하여 활성화의 구조적 정보를 유지하면서 과적합을 방지합니다. 플러그 앤 플레이 가능한 Inception 스타일의 ReverseMask 블록은 단순하면서도 효과적으로 네트워크의 일반화 능력을 향상시키며, 많은 최신 방법들의 성능도 개선시킵니다. 광범위한 실험 결과는 ReverseMask 정규화가 베이스라인 모델이 더 높은 정확도와 더 나은 일반화 능력을 달성하는 데 도움이 됨을 입증하였습니다. 더욱이, Inception 스타일 블록을 사용한 베이스라인 모델은 가장 인기 있는 두 데이터셋인 CASIA-B와 OUMVLP에서 최신 방법들을 크게 앞섰습니다. 소스 코드는 공개될 예정입니다.