利用可穿戴传感器捕捉患者的实时运动，为步幅 / 步长分割和步幅 / 步长长度预测等多个任务提供了大量的真实标签，从而增强研究人员对与神经系统障碍相关的步态紊乱的整体理解，并为医疗产品、法医技术和生物力学研究等领域提供了有益的数据资源。

May, 2024

本文通过详细综述对于骨架姿态估计和步态分析成为骨架优势的方式，详细介绍了相关数据集、评估方法、挑战和应用方法，并就每个方面进行了细致的比较，在此基础上就性能分析、潜在研究空白、应用领域以及未来的潜在贡献等方面提出了建议，综合评价了深度学习技术在人体姿态估计和步态识别方面的积极作用，为相关研究社区和其他利益相关方提供了借鉴和参考。

May, 2023

此研究挑战了视觉基于步态识别，特别是基于骨架的步态识别主要依赖于运动模式的普遍假设，揭示了行走序列中隐含的人体测量信息在其中的重要作用。通过比较分析，我们显示去除身高信息会导致三个模型和两个基准测试（CASIA-B 和 GREW）的显著性能下降。此外，我们提出了一个只处理各个姿态而忽略任何时间信息的空间转换模型，它达到了异常好的准确性，强调对外观信息的偏好并指出现有基准测试中的虚假相关性。这些发现强调了对视觉基于步态识别中运动和外观相互作用的细致理解的必要性，促使对该领域方法论假设的重新评估。我们的实验表明，“野外” 数据集更不容易产生虚假相关性，因此需要更多样化和大规模的数据集来推动该领域的发展。

Feb, 2024

本研究介绍了一种基于模拟的方法和主体特定数据集，用于生成合成视频帧和序列以进行数据增强，由此生成了多模态数据集，其结果表明身份信息在合成生成的示例中得以保留，此数据集和方法可对完全不变式身份识别的研究提供支持。

Oct, 2016

通过分析步态，我们提出了一个深度框架用于情感识别，该模型由一系列空间 - 时间图卷积网络组成，用于生成稳健的基于骨架的情感分类任务的表示，评估结果显示相对于现有技术，准确率提高了约 5%，此外，我们观察到训练期间我们的模型比现有技术方法收敛更快。

May, 2024

通过使用选择性强数据增强 (SSA) 的对比学习框架，通过有限标记的步态数据获得更加有效的情感表示，从而提高步态情感识别的效果。

May, 2024

使用步态分析进行人员身份识别，同时利用运动模式进行行人属性识别，提出了 DenseGait 数据集和基于 Transformer 的 GaitFormer 模型，通过预训练和多任务训练，在 CASIA-B 和 FVG 数据集上分别取得了 92.5％和 85.33％的准确率，相比于类似方法提高了 14.2％和 9.67％的准确率，同时能够准确识别性别信息和多种外貌属性。

Oct, 2023

通过无需显式人工标注的自监督学习方法，我们提出了一种名为 GaitMorph 的新颖方法，它可以修改输入步态序列的变化，从而为步态识别系统提供更多的数据变异和模拟额外的步行变化。我们的方法基于高压缩模型来训练步态骨架序列，利用无标签数据构建离散且可解释的潜在空间，保留与身份相关的特征，并提出了基于最优传输理论的方法来学习离散码本上的潜在传输映射，以在不同变化之间变形步态序列。通过广泛的实验证明，我们的方法适用于为输入序列合成额外视图。

Jul, 2023

本文介绍了一组新的人体运动和视频数据集 MoVi，其中包括 60 名女性和 30 名男性表演 20 种预定义的日常动作和运动，以及一种自选运动。该数据集包含 9 小时的运动捕捉数据、17 小时的 4 个不同视角的视频数据和 6.6 小时的 IMU 数据，同时还描述了数据集的收集和后处理过程，并探讨了该数据集可促进的研究方向。

Mar, 2020

本文介绍了一种基于 OpenSIM 的新型步态数据增强框架，通过仿真出符合人体行走生物力学约束的步态序列，增强 WBDS 和 CASIA-B 两个数据集，并在 3D 性别步态分类和 2D 步态个人识别中训练步态分类器，实验结果表明我们的增强方法可以提高基于模型的步态分类器的性能，使步态个人识别准确率达到最高 96.11％。

Jul, 2023