Feb, 2024

BigGait：用大型视觉模型学习所期望的步态表示

PDF
TL;DR本论文提出了一种基于大规模视觉模型 (Large Vision Models, LVMs) 的有效步态表示方法，命名为 BigGait。该方法通过无监督学习方式，将通用知识转化为隐式步态特征，并在多个数据集上实验证明，在大多数情况下，BigGait 明显超越了以往的方法，在自领域和跨领域任务中提供了更实用的学习范式，对学习下一代步态表示具有重要意义，并探讨了基于 LVMs 的步态识别中可能出现的挑战和前景方向。
发现论文，激发创造
  • 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

  • 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

  • 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

  • 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

  • GaitFormer: 学习具有噪声多任务学习的步态表示

    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

  • 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

  • GaitSet：利用步态作为深度集合进行跨视角步态识别

    本文提出了一种基于深度集的步态识别方法，该方法利用全局 - 本地融合深度网络集成一组步态帧，具有较高的鲁棒性和灵活性，在识别结果方面表现较好。

    Feb, 2021

  • 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

  • 野外步态识别基准测试

    本文提供了新的野外步态识别基准 GREW，该基准数据集采用自然视频捕捉，并包含数百个摄像机和成千上万小时的流。GREW 包含 26k 个身份和 128k 个序列，具有丰富的属性用于非受控步态识别。该基准可作为 state-of-the-art 步态识别算法的有效预训练，旨在促进野外步态识别技术的发展。

    May, 2022

  • OpenGait: 走姿识别的全面基准研究以提高实用性

    基于 OpenGait 开发的 DeepGaitV2、SkeletonGait 和 SkeletonGait++ 三个基准模型通过全面的基准研究，启示了深度步态模型的建模经验和典型步态特性的表征能力，为步态识别的进一步研究和应用提供了新的方向。

    May, 2024