Jul, 2023
GaitFormer：重访步态识别中的内在周期性
GaitFormer: Revisiting Intrinsic Periodicity for Gait Recognition
TL;DR通过分析视频级人体轮廓而不依赖外貌信息，步态识别旨在区分不同的行走模式。在以往的步态识别研究中，主要关注提取局部或全局时空特征，而忽视了步态序列固有的周期特征，这些特征在充分利用时可以显著提高性能。本文提出了一种名为Temporal Periodic Alignment (TPA)的即插即用策略，它利用了步态模式的周期性和细粒度的时间依赖性。TPA策略由两个关键组件组成：自适应傅里叶变换位置编码 (AFPE)将特征和离散时间信号自适应地转换为对周期性行走模式敏感的嵌入；时间聚合模块 (TAM)将嵌入分为趋势和季节分量，并提取有意义的时间相关性以识别主要成分，同时过滤掉随机噪声。我们提出了一种基于TPA策略的简单有效的步态识别基线方法。在三个常用的公开数据集（CASIA-B，OU-MVLP和GREW）上进行了大量实验证明，我们提出的方法在多个基准测试中实现了最先进的性能。