Jul, 2023

GaitASMS：自适应结构化空间表示和多尺度时间聚合的步态识别

PDF
TL;DR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。
gait recognitionadaptive structured spatial representationsmulti-scale temporal informationtemporal aggregationdata augmentation
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

  • 一个多阶段自适应特征融合神经网络用于多模态步态识别

    通过多阶段特征融合策略（MSFFS），自适应特征融合模块（AFFM）和多尺度时空特征提取器（MSSTFE）提出了一种多阶段自适应特征融合（MSAFF）神经网络，结合了多种模态的优势，在多个数据集上展现出最先进的性能。

    Dec, 2023

  • 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

  • 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

  • 基于注意力的形状和步态表示学习方法对基于视频的更衣人物再识别

    本研究提出了一种基于注意力机制的形状和步态表示学习框架，通过使用空间 - 时间图注意力网络进行服装变化下的人物再识别，从而提高了人物再识别的性能。

    Feb, 2024

  • 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

  • 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

  • GaitMPL: 基于记忆增强渐进学习的步态识别

    本文提出一种基于记忆的渐进学习网络（GaitMPL），包括动态重新加权渐进学习模块（DRPL）和全局结构对齐的记忆库（GSAM）来解决步态识别中由于难样本引起的挑战，实验结果在 CASIA-B 上达到了最先进的表现。

    Jun, 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

  • 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