MMAug, 2019

利用稀疏深度自编码器估算基于骨骼的步态异常指数

PDF
TL;DR该论文提出了一种基于深度相机提供的骨骼信息来估计步态异常指数的方法，该方法利用深度自编码器自动提取步态特征，并采用稀疏度约束以获得可视化的特征，同时考虑时间因素作为后处理，实验表明该方法在近十万骨架样本数据集上表现出色。
gait abnormality indexskeletal informationdepth cameradeep auto-encodertemporal factor
发现论文，激发创造
  • 具有局部感知注意力的自监督步态编码用于人员再识别

    本研究提出一种新的基于骨架数据进行个人再识别的方法，利用无标记的骨架数据进行自我监督学习，结合局部关联注意机制和 Attention-based Gait Encodings 方法提取出更具区分性的步态特征，可有效提升现有基于骨架数据的方法 10-20％的排名 1 准确度，并且在与有 RGB 或深度信息的多模式方法相比时，表现相当甚至更优秀。

    Aug, 2020

  • 一种具有局部感知的自监督步态编码方法用于基于三维骨架的人员重新识别

    本文提出了一种自监督步态编码方法，通过生成反向骨架序列实现了足够丰富的高层语义，并且结合局部感知机制和对比学习策略，设计出有效的步态编码，在人物重新识别领域中超过了其它方法达 15% 至 40% 的 Rank-1 准确度。

    Sep, 2020

  • 视频异常检测中的骨架轨迹规律学习

    提出了一种使用动态骨架特征建模监控视频中人类运动规律的新方法，该方法通过将骨架运动分解为全局身体运动和局部身体姿势两个子组件，并使用新型消息传递编码 - 解码循环网络来建模相互作用的耦合特征，以精确识别来自监控视频序列的人类相关的异常事件并提供可解释性。与传统的基于外观的模型相比，该方法实现了卓越的异常检测性能。

    Mar, 2019

  • 基于骨架的步态识别的深入理解

    该论文提出了一种基于 Graph Convolutional Networks（GCNs）的方法，结合高级别输入和残差网络，用于骨架轮廓图进行步态识别，实验结果显示了 3 倍于最先进技术水平和强大的视频建模能力。

    Apr, 2022

  • InvKA: 基于可逆 Koopman 自编码器的步态识别

    基于 Koopman 算子理论，本研究探索了嵌入空间中步态特征，以提高可解释性，同时通过使用可逆自编码器减少计算量和压缩模型深度，实现了与先进方法相当的识别准确率 98%，并将计算成本降低到 1%。

    Sep, 2023

  • 深度自编码器用于联合人体姿态估计和身体模型升级

    采用对称卷积自动编码器训练并学习人体三维姿态和身体形状，结合高级的远距离相机视角，能够实时进行人体行为监测并准确估计人体姿态和形状。

    Jul, 2018

  • 学习简化步态分析中的时空图

    该论文提出了一种新方法，简化步态基础性别估计的空间 - 时间图表示，提高了解释性，同时没有损失性能。通过使用直通 Gumbel-Softmax 技巧，我们的模型可进行端到端训练。在 CASIA-B 数据集上验证了我们方法的有效性，得到的图形可解释性强，与现有模型中使用的固定图形有明显差异。我们的研究促进了步态识别的可解释性和任务特定适应性，推动了更高效可靠的基于步态的生物识别技术。

    Oct, 2023

  • 基于解缠表示学习的步态识别

    该研究提出一种基于 AutoEncoder 框架、利用 RGB 成像中的姿态和外貌特征，以及对前方视角步行进行重点研究的 FVG 数据集来辅助鲁棒的步态识别方法，通过在 CASIA-B，USF 和 FVG 数据集上的大量实验证明了该方法具有优秀的识别性能、特征解缠能力和有前途的计算效率。

    Apr, 2019

  • 学习解缠表示以进行步态识别

    采用 AutoEncoder framework - GaitNet 来解决服装、携带物品和观察角度等干扰因素的问题。同时我们还建立了 Frontal-View Gait dataset，通过 CasIA-B，USF 和 FVG 数据集的实验，我们的方法表现优异，并且在某些场景下与其他识别技术相比具有优势，如长距离 / 低分辨率，交叉观测角度。

    Sep, 2019

  • 使用几何感知自编码器从数十个数据集中学习 3D 人体姿势估计，以桥接骨架格式之间的差异

    本研究展示了一个基于深度学习的 3D 人体姿态估计方法，为了克服不同数据集提供的不同骨骼格式这一障碍，我们提出了一种新颖的仿射组合自编码器方法 (ACAE)，以实现由多个数据集超级所见，其中我们使用 28 个 3D 人体姿态数据集来监督一个模型，并在各种基准测试中取得了比以前的工作更好的表现。

    Dec, 2022