GaitKD：効率的な歩行（ギャイト）認識のためのユニバーサルなデカップル知識蒸留フレームワーク

Abstract

跡（ガイト）認識は、遠距離かつ非接触での識別のための魅力的な生体認証方式ですが、高性能なガイトモデルはしばしば、深い計算および計算コストの高いアーキテクチャに依存しており、実運用への展開が難しいことが多いです。知識蒸留（KD）は、強力な教師から効率的な生徒へと知識を移す自然な方法を提供しますが、標準的なKDは、部分構造化されたガイトモデルに対してはしばしば効果が低くなります。そこでは、教師あり信号が、部分ごとの分類ロジットと部分ごとの検索埋め込みの両方から形成されるためです。本論文では、GaitKD を提案します。GaitKD は、ガイトの知識移転を 2 つの補完的な構成要素に分解する蒸留フレームワークです。具体的には、意思決定レベルの蒸留と境界レベルの蒸留です。GaitKD は、部分キャリブレーション済みのロジット蒸留によって教師と生徒を整列させ、クラス間の意思決定関係を移転する一方で、直接的な特徴回帰ではなく活性境界（activation-boundary）の目的によって、埋め込み空間の教師による分割を保持します。単純に整合した部分ごとの設計により、GaitKD は追加の推論コストを導入することなく、異種の教師—生徒ガイトモデルをサポートします。複数のガイト認識ベンチマークと教師—生徒の構成にわたる実験結果は、強力なガイトのベースラインに対して一貫した改善を示しています。本研究は、2 つの移転成分が相補的であり、境界を保持する蒸留が、直接的な特徴回帰よりもより安定した性能を提供することを示しています。ソースコードは https://github.com/liyiersan/GaitKD/ で利用可能です。