ECCVMar, 2022

GaitEdge：超越纯端到端步态识别以提高实用性

PDF
TL;DR本文提出了一种名为 GaitEdge 的新型端到端框架，利用行人分割网络合成可训练的身体边缘和固定内部的合成剪影来屏蔽步态非相关信息，实现端到端训练，经实验验证，在 CASIA-B 和作者新建的 TTG-200 数据集上，GaitEdge 显著优于之前的方法，提供了更实用的端到端范式。
发现论文，激发创造
  • QAGait：从质量角度重访步态识别

    通过质量评估策略和质量感知损失函数，提出了一种质量视角下的步态识别方法（QAGait），可解决实际场景中出现的低质量和具有挑战性的步态问题，并显著提高步态可靠性和性能表现。

    Jan, 2024

  • 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

  • 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

  • OpenGait: 走姿识别的全面基准研究以提高实用性

    基于 OpenGait 开发的 DeepGaitV2、SkeletonGait 和 SkeletonGait++ 三个基准模型通过全面的基准研究，启示了深度步态模型的建模经验和典型步态特性的表征能力，为步态识别的进一步研究和应用提供了新的方向。

    May, 2024

  • 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

  • 基于步态分析的实时人员识别

    通过使用低功耗模型，借助可穿戴设备在边缘进行实时步态识别，本研究成功地在 Arduino 上演示了作者的实时身份识别，从而强调了其功效，并为不久的将来在实际系统中应用提供了可行性证明。

    Apr, 2024

  • TriGait：通过三分支网络对骨骼和轮廓步态数据进行对齐和融合

    本文介绍了一种新的三支路人体步态识别框架（TriGait），它有效地融合了骨架和轮廓数据的特征，包括从外观提取静态和动态特征的两流网络，通过捕捉所有关节之间的依赖关系的简单而有效的 JSA-TC 模块，以及通过对两种模态的低级特征进行对齐和融合的第三支路用于交叉模态学习。实验证据表明 TriGait 在人体步态识别方面具有卓越的优越性和有效性。在 CASIA-B 数据集的所有条件下，所提方法的平均排名准确率为 96.0％，对 CL 数据集的准确率为 94.3％，明显优于所有现有技术方法。源代码将在此 URL 提供。

    Aug, 2023

  • GADER: 野外行为识别与识别

    我们提出了一种用于挑战性户外场景中的人体验证的端到端步态检测和识别（GADER）算法，该算法利用双螺旋签名来检测人体动作的片段，并结合一种新颖的步态识别方法，在辅助 RGB 识别模型的基础上学习表示。在推理时，GADER 仅使用轮廓模态，并从中获得更强大的表示能力。对室内和室外数据集进行的广泛实验表明，该方法在步态识别和验证方面优于现有方法，在非受限的远距离场景中有显著的 20.6% 改进。

    Jul, 2023

  • GaitGraph：基于图卷积网络的基于骨架的步态识别

    本研究提出了 GaitGraph，利用人体姿势估计技术从 RGB 图像中直接估计骨架姿势，结合图卷积网络来进行现代基于模型的步态识别，取得了在 CASIA-B 步态数据集上最新的性能表现。

    Jan, 2021

  • GaitPoint+: 融合点云分析和复用技术的步态识别网络

    行走是一种行为生物特征方式，可用于从远距离识别人们的方式。本文提出了一种新的行走识别网络，称为 GaitPoint+，结合了轮廓和骨架特征以提高准确性，并通过对骨骼点云的处理实现了性能的进一步提升。

    Apr, 2024