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

我们提出了一种用于挑战性户外场景中的人体验证的端到端步态检测和识别（GADER）算法，该算法利用双螺旋签名来检测人体动作的片段，并结合一种新颖的步态识别方法，在辅助 RGB 识别模型的基础上学习表示。在推理时，GADER 仅使用轮廓模态，并从中获得更强大的表示能力。对室内和室外数据集进行的广泛实验表明，该方法在步态识别和验证方面优于现有方法，在非受限的远距离场景中有显著的 20.6% 改进。

Jul, 2023

利用预训练策略检索 3D 人体形状特征，引入基于图形的补充增强编码器提取全面特征的 LiDAR 感知的人物再识别（ReID）框架，构建了首个 LiDAR 感知的人物 ReID 数据集 LReID 以及用于预训练编码器的模拟行人数据集 LReID-sync，并在 LReID 上进行了大量实验，表现出 94.0 的排名 1 准确率，突显了 LiDAR 在解决人物 ReID 任务中的重要潜力。

Dec, 2023

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

本研究关注的是 RGB-D 物体跟踪，并通过发布新的 RGBD1K 数据集和利用此数据集中的 transformer-based RGB-D 跟踪器 (SPT) 作为我们的基线来展示其训练的益处和可潜力以提高 RGB-D 跟踪的性能。

Aug, 2022

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

本文介绍了一个包含超过 56,000 个视频样本和 4 百万帧的大规模 RGB + D 人体动作识别数据集，其中包括 60 种不同的行为类别，并提出了一种新的循环神经网络结构来更好地对每个身体部位的特征进行长期时间相关性建模。实验结果表明，在跨主体和跨视图评估标准上，应用深度学习方法比最先进的手工制作特征具有优势。

Apr, 2016

该研究提出一种基于单目 RGB 图像的三维车辆检测方法，为此创建了 Cityscapes 3D 数据集，包含了所有类型车辆的三维标注信息，使得与基于 lidar 的方法相比具有更高效率和更大范围的标注信息。此外，研究将 2D 实例分割与 3D 包围盒成对提供，以便多任务学习。这对自动驾驶技术有着很重要的意义。

Jun, 2020

本文介绍了一个新的大规模 RGB-D 数据集，其中包括固定视角和全方位视角下的 40 种行动，以及 VS-CNN 模型的提出和有效性验证，该模型可用于解决任意视角下行动识别的问题。

Apr, 2019

本文提出了 RIO10 基准测试和工具，用于评估室内场景下长期相机重新定位的表现，并探讨了不同类型场景变化对不同方法的影响，并发现长期室内重新定位是一个尚未解决的问题。

Aug, 2020