Mar, 2021

SelfGait: 自监督步态识别的时空表示学习方法

PDF
TL;DR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。
gait recognitionself-supervised learningspatiotemporal backboneshpmmtb
发现论文，激发创造
  • 基于层次化时空表示学习的步态识别

    本文提出了一种分层时空表示学习 (HSTL) 框架，用于从粗到细提取步态特征，并通过多层特征映射和多尺度时间降采样来减少冗余信息，实验表明该方法在性能上优于现有方法并保持了模型准确度与复杂度的合理平衡。

    Jul, 2023

  • 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

  • 使用注意力循环学习局部表征进行视角不变步态识别

    本研究提出一种基于卷积神经网络和循环神经网络的双向注意力模型，应用于步态识别领域。实验表明，该模型在数据采集和外观变化等因素影响下的识别性能优于其他方法，并对不同类型遮挡的数据具有更强的鲁棒性。

    Oct, 2020

  • 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

  • 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

  • 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

  • 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

  • GaitASMS：自适应结构化空间表示和多尺度时间聚合的步态识别

    提出了一种新的步态识别框架 GaitASMS，能够有效提取自适应结构化空间表示，并自然地聚合多尺度的时间信息，同时引入了新的数据增强方法 random mask。在复杂场景下，该方法在 CASIA-B 数据集上取得了 93.5% 的平均准确率，并分别在 BG 和 CL 上将基线的 rank-1 准确率提高了 3.4% 和 6.3%。ASRE 和 MSTA 的消融实验证明了其有效性。

    Jul, 2023

  • BigGait：用大型视觉模型学习所期望的步态表示

    本论文提出了一种基于大规模视觉模型 (Large Vision Models, LVMs) 的有效步态表示方法，命名为 BigGait。该方法通过无监督学习方式，将通用知识转化为隐式步态特征，并在多个数据集上实验证明，在大多数情况下，BigGait 明显超越了以往的方法，在自领域和跨领域任务中提供了更实用的学习范式，对学习下一代步态表示具有重要意义，并探讨了基于 LVMs 的步态识别中可能出现的挑战和前景方向。

    Feb, 2024