- LiCAF: 基于激光雷达和摄像机的不对称融合用于步态识别
本研究介绍了一种对步态进行识别的新型模态敏感网络 LiCAF,采用了不对称且交叉模态的渠道注意力和交叉模态的时域建模,通过 LiDAR - 相机融合获得的鲁棒步态表示,在 SUSTech1K 数据集上取得了最先进的性能水平(Rank-1 为 - QGait: 用于步态识别的准确量化和二值化输入
使用软量化器和距离引导蒸馏策略,在步态识别中实现关键词所示的深度学习方法,并验证了其在各种设置和数据集上的最先进准确性。
- 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 - GaitPoint+: 融合点云分析和复用技术的步态识别网络
行走是一种行为生物特征方式,可用于从远距离识别人们的方式。本文提出了一种新的行走识别网络,称为 GaitPoint+,结合了轮廓和骨架特征以提高准确性,并通过对骨骼点云的处理实现了性能的进一步提升。
- 跨模态步态识别:连接 LiDAR 和相机模态进行人类识别
本研究主要关注于穿越不同传感器跨模态识别行人的步态识别研究,通过提出 CrossGait 方法,利用特征对齐策略进行跨模态数据检索,并通过 Prototypical Modality-shared Attention Module 和 Cr - 基于步态分析的实时人员识别
通过使用低功耗模型,借助可穿戴设备在边缘进行实时步态识别,本研究成功地在 Arduino 上演示了作者的实时身份识别,从而强调了其功效,并为不久的将来在实际系统中应用提供了可行性证明。
- GaitSTR: 基于顺序双流细化的步态识别
本文介绍了利用两种模态 (轮廓和骨骼) 进行步态识别,并通过自我校正和跨模态矫正提高了模型性能。
- BigGait:用大型视觉模型学习所期望的步态表示
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,Big - 运动之悖论:基于骨架的步态识别模型中的虚假相关证据
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 - AAAIQAGait:从质量角度重访步态识别
通过质量评估策略和质量感知损失函数,提出了一种质量视角下的步态识别方法(QAGait),可解决实际场景中出现的低质量和具有挑战性的步态问题,并显著提高步态可靠性和性能表现。
- 混合步态:以混合探索为特点的空时布料更换步态识别的基准
本文提出了第一个针对衣着变化的步态识别 CCGait 自然场景基准,该基准包括室内外环境中不同的衣着变化和多模态统计数据,并通过引入了混合框架 HybridGait 来解决衣着和视角变化的耦合效应。我们的贡献是:提供了一个具有挑战性的 CC - 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。
- 你可以逃跑,但无处可藏:通过内在遮挡类型意识改善步态识别
本研究提出一种能够模拟内在遮挡感知的步态识别方法,通过在提取身份特征时利用已学习的遮挡类型,解决了遮挡问题对识别系统的影响,实验证明此方法在识别任务上表现优于类似遮挡的对照方法。
- GaitContour: 基于轮廓姿势表示的高效步态识别
通过提出一种新的基于点的 Contour-Pose 表示方法和一种局部到全局的架构,本文在步态识别领域表现出更好的性能和更高的效率,进一步证明在具有显著干扰的数据集上超过轮廓点方法的成果。
- HiH: 用于无约束步态识别的多模式层次结构网络
鉴于步态识别在受控环境中取得了令人满意的进展,但在无约束环境中仍面临视角变化、遮挡和变化的步行速度等挑战,我们提出了一种多模态多层次网络(HiH),通过集成轮廓和姿势序列实现了鲁棒的步态识别。 HiH 利用分层步态分解器(HGD)模块对轮廓 - POISE:姿势导向的遮挡下人体轮廓提取
POISE 是一种新颖的自监督融合框架,通过结合分割模型的初始轮廓估计和 2D 姿势估计模型的人体关节预测,有效地整合了精确的身体形状信息和空间信息来解决遮挡引起的不完整和扭曲的人体轮廓问题,在减少成本的自监督机制下,提高了轮廓提取准确性, - InvKA: 基于可逆 Koopman 自编码器的步态识别
基于 Koopman 算子理论,本研究探索了嵌入空间中步态特征,以提高可解释性,同时通过使用可逆自编码器减少计算量和压缩模型深度,实现了与先进方法相当的识别准确率 98%,并将计算成本降低到 1%。
- 基于深度学习的人体步态识别:综述
该研究综述了步态识别技术的发展和应用,并分析了环境因素和复杂性,比较了它与其他生物识别系统的差异,同时探讨了深度学习技术在人类步态识别中的应用和可能的研究机会。
- MM野外步态识别的最佳解析方法
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 - TriGait:通过三分支网络对骨骼和轮廓步态数据进行对齐和融合
本文介绍了一种新的三支路人体步态识别框架(TriGait),它有效地融合了骨架和轮廓数据的特征,包括从外观提取静态和动态特征的两流网络,通过捕捉所有关节之间的依赖关系的简单而有效的 JSA-TC 模块,以及通过对两种模态的低级特征进行对齐和