GaitPart: 보행 인식을 위한 시계적 부분 기반 모델

보행 인식은 장거리에서 개인의 보행 패턴을 식별하는 데 적용되는, 비디오 기반 생체 인식 기술 중 가장 유망한 기술 중 하나이다. 현재까지 대부분의 보행 인식 방법은 인간의 전신을 하나의 단위로 간주하여 시공간적 표현을 구축한다. 그러나 우리는 보행 중 인간 신체의 각 부분이 명확히 다른 시각적 특징과 움직임 패턴을 가진다는 점을 관찰하였다. 최신 문헌에서는 신체의 부분적인 특징을 활용하여 개인 식별 성능을 향상시킬 수 있음을 입증하였다. 이러한 통찰을 종합적으로 고려하여, 본 연구에서는 신체의 각 부분이 자체적인 시공간 표현을 필요로 한다고 가정한다. 이를 바탕으로, 새로운 부분 기반 모델인 GaitPart를 제안하며, 성능 향상 측면에서 두 가지 효과를 얻었다. 첫째, 부분 수준의 공간적 특징에 대한 세밀한 학습을 강화하기 위해, 새로운 컨볼루션 적용 방식인 포컬 컨볼루션 레이어(Focal Convolution Layer)를 제안한다. 둘째, 미소운동 캡처 모듈(Micro-motion Capture Module, MCM)을 도입하였으며, GaitPart 내에는 사전 정의된 신체 부분 각각에 대응하는 병렬 구조의 여러 MCM이 존재한다. 특히 MCM은 보행 작업을 위한 새로운 시계열 모델링 방식으로, 주기적인 보행에서 반복적인 장거리 시계열 특징보다는 단기적 시계열 특징에 집중한다는 점에서 주목할 만하다. CASIA-B와 OU-MVLP라는 두 개의 대표적인 공개 데이터셋에서 수행한 실험을 통해, 본 방법이 다양한 표준 벤치마크에서 새로운 최고 성능(SOTA)을 달성함을 풍부하게 입증하였다. 소스 코드는 https://github.com/ChaoFan96/GaitPart에서 공개될 예정이다.