Jun, 2022

遮挡序列中步态周期重建和人体识别

PDF
TL;DR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。
gait recognitionocclusion handlingneural networklstmcomputer vision
发现论文，激发创造
  • 基于时空特征的遮挡像素重建端到端框架用于改进行人再识别

    本研究提出了一种有效的 RGB 图像 / 视频的遮挡检测和重建框架，采用卷积神经网络进行遮挡检测，Conv-LSTM 和自编码器用于重建遮挡帧和使用条件生成对抗网络微调和修复重建的 RGB 帧，通过与其他先进技术比较分析，我们的方法在各种数据集上展现出鲁棒性，成为现实生活监控系统应用的优秀选择。

    Apr, 2023

  • 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

  • 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

  • 用于人物识别的步态特征自动学习

    该研究旨在利用卷积神经网络从低级运动特征（如光流分量）学习高级描述符，并以此实现视频中人的识别。实验证明，将光流的时空块作为卷积神经网络的输入数据，可以以比以往更低的图像分辨率（即 80x60 像素）获得最先进的步态识别效果。

    Mar, 2016

  • 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

  • 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

  • 基于姿态的深度步态识别

    本文提出了一种基于姿态的卷积神经网络模型，用于人体步态识别，利用肢节周围区域的动作信息和光流法提取特征，实验证明该方法的效果超过现有技术水平。

    Oct, 2017

  • 你可以逃跑，但无处可藏：通过内在遮挡类型意识改善步态识别

    本研究提出一种能够模拟内在遮挡感知的步态识别方法，通过在提取身份特征时利用已学习的遮挡类型，解决了遮挡问题对识别系统的影响，实验证明此方法在识别任务上表现优于类似遮挡的对照方法。

    Dec, 2023

  • VRSTC：无遮挡视频人物再识别

    本文提出了一种新颖的网络，称为空间时间补全网络 (STCnet)，以明确解决视频人员重新识别 (re-ID) 中的部分遮挡问题。通过将重新识别网络与 STCnet 相结合，提出了一个对部分遮挡具有鲁棒性的视频重新识别框架 (VRSTC)，在三个具有挑战性的视频重新识别数据集上的实验证明了该方法的超越性。

    Jul, 2019

  • 人体运动捕捉中缺失标记重建的神经网络方法

    本文介绍了一种基于神经网络方法的光学运动捕捉系统，能通过学习人体动作在时间和空间上的相关性来重建丢失的标记点。实验得出两种不同的模型，一种基于 LSTM，另一种基于时间窗口，在线工作并得出了最先进的结果。

    Mar, 2018