SE-ResAutoNet: 信頼性の高い歩容認証のための注意機構と残差学習フレームワーク
SE-ResAutoNet: an attention and residual learning framework for reliable gait-based suspect identification
本研究では、個人の歩容(歩き方)の識別を利用して、長距離や多様な環境下でもユーザーの直接的な操作なしに人物を正確に特定する技術「SE-ResAutoNet」を提案する。SE-ResAutoNetは、Squeeze-and-ExcitationブロックとResidualブロックを組み込んだオートエンコーダーフレームワークであり、特徴表現と分類精度を向上させる。このモデルは、通常、遅い、速いの歩行条件下での5分割交差検証において平均95.75%の精度を達成し、高い適合率、再現率、Rank-1識別性能を示した。また、CASIA-Bデータセットで97.1%、OU-MVLPデータセットで96.32%のベンチマーク精度を達成し、データセット間での汎化能力の高さを示した。推論時間は1フレームあたり11ミリ秒(77 FPS)、計算コストは1.5 GFLOPsと効率的であり、リアルワールドの監視アプリケーションへの適用可能性を示唆している。さらに、Integrated Gradientsにより、フレーム内の影響力の大きい歩容領域を特定できる。SE-ResAutoNetは、精度、計算効率、説明可能性のバランスが取れており、実用的な生体認証および監視アプリケーションへの展開が期待される。
- SE-ResAutoNetは歩容認証において、CASIA-Bデータセットで97.1%、OU-MVLPデータセットで96.32%のベンチマーク精度を達成した
- 歩行条件が通常・遅い・速いの5分割交差検証で平均95.75%の精度を達成した
- 推論時間は1フレームあたり11ミリ秒(77 FPS)、計算コストは1.5 GFLOPsでありリアルワールドの監視アプリケーションへの適用が可能
本稿は歩容認証向けのAIモデル研究であり、監視・生体認証分野への応用が期待される。精度95%超、推論11msという性能バランスを提示しており、エッジでの実用展開可能性を示す点で、AIセキュリティ・監視市場への投資判断材料となり得る。