步态论文摘要

论文摘要

CSTL摘要

1、尽管近年来步态识别的研究越来越受到关注，但由于轮廓在空间域上的差异非常微妙，因此判别时态表征的学习仍然具有挑战性。
2、基于人类可以通过自适应关注不同时间尺度的时间序列来区分不同主体的步态，本文提出了一种上下文敏感的时间特征学习(CSTL)网络，该网络将三个尺度的时间特征聚合在一起，根据时间上下文信息获得运动表征。
3、其中，CSTL引入多尺度特征之间的关系建模来评估特征的重要度，在此基础上，网络自适应地增强较重要的尺度，抑制较不重要的尺度。
4、此外，我们提出了一个显著空间特征学习(SSFL)模块来解决时间操作(如时间卷积)引起的不对齐问题。SSFL通过提取整个序列中最具区别性的部分来重组一个显著的空间特征框架。通过这种方式，我们同时实现了自适应时间学习和显著空间挖掘。
5、在两个数据集上进行的大量实验证明了最先进的性能。在CASIA-B数据集上，我们在正常行走、提包和穿外套条件下的rank-1准确率分别为98.0%、95.4%和87.0%。在OU-MVLP数据集上，我们实现了90.2%的rank-1准确率。
源代码将在https://github.com/OliverHxh/CSTL上发布。

GaitPart摘要

1、步态识别是目前最具发展前景的基于视频的生物识别技术之一，用于识别长距离行走中的个体行走模式。
2、目前，大多数步态识别方法都是以整个人体为单位来建立时空表征。
然而，我们观察到，在行走过程中，人体的不同部位具有明显不同的视觉外观和运动模式。
3、在最新的文献中，利用部分特征进行人体描述已被证实有利于个体识别。
4、综上所述，我们认为人体的每个部位都需要自己的时空表达。
5、然后，我们提出了一种新的基于零件的GaitPart模型，并得到了两方面的性能提升效果:一方面，提出了一种新的卷积应用——Focal Convolution Layer，增强了零件级空间特征的细粒度学习;
6、另一方面，提出了微运动捕捉模块(Micro-motion Capture Module, MCM)，在GaitPart中有多个平行的MCM，分别对应人体的预定部位。
7、值得一提的是，MCM是一种新颖的步态任务时间建模方法，它侧重于周期步态的近距离时间特征，而不是冗余的远距离特征。
8、在两个最流行的公共数据集CASIA-B和OU-MVLP上的实验充分证明，我们的方法在多个标准基准上达到了最新的水平。源代码可在https://github.com/ChaoFan96/GaitPart上获得。

GaitGL摘要

1、步态识别是最重要的生物识别技术之一，已在许多领域得到应用。
2、最近的步态识别框架通过从人体整体外观或局部区域提取的描述符来表示每个步态帧。
3、然而，基于全局信息的描述往往忽略了步态框架的细节，而基于局部区域的描述不能捕捉到相邻区域之间的关系，从而降低了其判别性。
4、在本文中，我们提出了一种新的特征提取和融合框架来实现步态识别的判别特征表示。
5、为了实现这一目标，我们利用全局视觉信息和局部区域细节，开发了一种全局和局部特征提取器(GLFE)。
6、具体来说，我们的GLFE模块是由我们新设计的多个全局和局部卷积层(GLConv)组成的，以一种原理的方式集成全局和局部特征。
7、此外，我们提出了一种新的操作，即局部时间聚合(LTA)，通过降低时间分辨率来进一步保留空间信息，以获得更高的空间分辨率。
8、在GLFE和LTA的帮助下，我们的方法显著提高了视觉特征的判别性，从而提高了步态识别的性能。大量的实验表明，我们提出的方法在两个流行的数据集上优于目前的步态识别方法。