MMAug, 2023

野外步态识别的最佳解析方法

PDF
TL;DR该论文介绍了一种新的步态表示方法，名为 Gait Parsing Sequence (GPS)，通过从视频帧中提取的人体分割细粒度序列（人体解析）编码细粒度人体部分的形状和动态，以实现准确的野外步态识别。利用 GPS 表示，论文提出了一种基于人体解析的步态识别框架，名为 ParsingGait，包含基于卷积神经网络（CNN）的骨干网络和两个轻量级头部，实现了全局语义特征提取和人体行走详细动态建模。该论文还构建了首个野外步态解析数据集 Gait3D-Parsing，并通过对比实验证明了 GPS 表示和 ParsingGait 方法在准确性上的显著改进和优越性。
gait recognitionhuman parsinggps representationparsinggaitgait3d-parsing
发现论文，激发创造
  • 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

  • 基于姿态引导的深度特征人体解析

    本文提出了一种基于 segment-based parsing 管道的方法，利用人体姿势信息对人体进行语义区域划分，从而提高了部分提案的准确率，加速了推理并使得解析过程更规则化，经实验证明该方法相比现有技术具有更好的优越性能。

    Aug, 2015

  • 野外步态识别：基于稠密三维表示和基准测试

    本文旨在探讨用于野外环境中行走行人的 3D 浓密表征的步态识别，并提出了一种基于 3D Skinned 多人线性（SMPL）模型的新框架 ——SMPLGait，并建立了首个大规模的基于 3D 表征的步态识别数据集 ——Gait3D，以此与现有的步态识别方法进行了全面比较。

    Apr, 2022

  • 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

  • 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

  • GaitGraph：基于图卷积网络的基于骨架的步态识别

    本研究提出了 GaitGraph，利用人体姿势估计技术从 RGB 图像中直接估计骨架姿势，结合图卷积网络来进行现代基于模型的步态识别，取得了在 CASIA-B 步态数据集上最新的性能表现。

    Jan, 2021

  • 基于姿态引导的弱监督和半监督人体部位解析的知识迁移

    本文提出一种利用人体关键点注释的方法生成合成数据，并利用这些数据进行半监督学习，进而提高人体语义部分分割准确率。在 PASCAL-Person-Part 数据集上，我们的方法优于强监督模型 6 mIOU，达到了最先进的人体分割结果。

    May, 2018

  • SkeletonGait: 使用骨架图进行步态识别

    本文提出了一种名为骨骼图的新型骨骼步态表示方法，以及基于骨骼的 SkeletonGait 方法，利用人体骨骼图的结构信息。通过使用来自骨骼和轮廓的互补特征，SkeletonGait++ 在各种场景中超过了现有的最先进方法。

    Nov, 2023

  • 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

  • 将人体解析和姿态网络集成用于人体动作识别

    该研究介绍了一种新的人体解析特征图，被提出用于人体动作识别，结合 IPP-Net 方法，将骨架和人体解析特征映射应用于双分支方法，以筛选人体空间和时间特征，设计出包含人体姿态和人体解析分支的网络体系结构，通过多个数据集的综合对比实验，证明了这种方法的优越性能。

    Jul, 2023