IJCAISep, 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

PDF
TL;DR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。
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

  • SelfGait: 自监督步态识别的时空表示学习方法

    提出了一种自我监督步态识别方法 ——SelfGait，利用海量、多样的未标记步态数据作为预训练，以提高时空骨干的表示能力，经过在 CASIA-B 和 OU-MVLP 基准步态数据集上的实验，证明了所提方法相对于四种最先进的步态识别方法的有效性。

    Mar, 2021

  • 基于注意力的形状和步态表示学习方法对基于视频的更衣人物再识别

    本研究提出了一种基于注意力机制的形状和步态表示学习框架，通过使用空间 - 时间图注意力网络进行服装变化下的人物再识别，从而提高了人物再识别的性能。

    Feb, 2024

  • 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

  • 基于自监督学习的选择性强增强骨架序列的步态情感表征学习

    通过使用选择性强数据增强 (SSA) 的对比学习框架，通过有限标记的步态数据获得更加有效的情感表示，从而提高步态情感识别的效果。

    May, 2024

  • 多层关系图建模的骨架原型对比学习用于无监督人员再识别

    提出了一种无监督学习方法 SPC-MGR ，通过多级图关系学习和骨架原型对比学习来学习骨骼的有效表征，从而进行人员再识别。通过实验，在更通用的情境下，SPC-MGR 取得了高竞争力的人员再识别表现。

    Aug, 2022

  • GaitRef：优化时序骨架的步态识别

    本文提出一种将 silhouettes（侧面轮廓）和 joint skeletons（关节骨架）相结合，利用 silhouette 序列的时间信息优化骨架识别来提高步态识别性能的方法，并在四个公共数据集上展示了最先进的性能。

    Apr, 2023

  • SM-SGE：自监督的多尺度骨架图编码框架用于人员再识别

    本研究提出了一种自监督的多尺度骨架图编码框架，通过学习不同尺度的未标记骨架图来建模人体构造、骨架动态和部件关系以实现人体再识别，实验证明其性能优于现有骨架方法。

    Jul, 2021

  • SimMC: 通过简单的遮蔽对比学习骨架表示，实现无监督的人员再识别

    本研究提出了一种基于无标签三维骨架的人物再识别的学习框架，包括原型对比学习方案和序列内部模式一致性对比学习方案，用于学习判别骨架表示。实验表明，所提出的方法胜过大多数现有的骨架方法并具有良好的可扩展性和效率。

    Apr, 2022

  • 遮挡序列中步态周期重建和人体识别

    本文提出了一种用于步态识别的神经网络模型，采用 LSTM 预测每个遮挡帧的嵌入，然后融合两个 LSTM 的预测结果，该模型能够重构输入序列中的遮挡帧以提高步态识别准确率，并通过实验验证的测试结果表明，该方法在处理遮挡情况下的步态识别明显优于其他现有的方法。

    Jun, 2022