ICCVJul, 2023

基于层次化时空表示学习的步态识别

PDF
TL;DR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。
gait recognitionspatio-temporal representation learninghierarchical clustering analysisadaptive region-based motion extractorframe-level temporal aggregation
发现论文，激发创造
  • 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

  • 面向步态识别的上下文敏感时序特征学习

    本论文提出了一种上下文敏感的时态特征学习（CSTL）网络，用于步态识别，其中在三个尺度上生成时间特征，并根据来自局部和全局视角的上下文信息自适应地聚合它们。通过使用 transformer 实现全局关系建模和选取差异化空间特征的策略，显著提高了步态识别的准确性。

    Apr, 2022

  • 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

  • 通过有效的全局 - 局部特征表示和本地时间聚合进行步态识别

    本文提出了一种通过全局可视信息和局部区域细节来实现步态识别的辨别性特征提取和融合框架，使用多个全局和局部卷积层来组合全局和局部特征，并提出了本地时间聚合操作来进一步保留空间信息以获得更高的空间分辨率。 实验结果表明，该方法在两个流行数据集上优于现有技术。

    Nov, 2020

  • GaitGS: 步态识别中粒度和跨度维度的时间特征学习

    本论文提出了一种名为 GaitGS 的新型框架，利用多颗粒度和跨度、多个时间特征提取器和其他模块来进行步态识别，并在三个流行的数据集上进行了广泛的实验，证明了我们方法的最新性能。

    May, 2023

  • 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

  • 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

  • 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