danGAITRe论文阅读笔记

最大的创新点是gait网络识别是非常静态的，通过一种方法使得网络可以动态适应尺寸。

一、gait representation

• 什么是gait representation？有什么用

        身份识别的作用，大概有剪影silhouette和关键点俩种方案。

        本文是基于剪影的。

• 本文提出的几个观点

• 1、局部运动模式：其生成的序列特征有唯一的代表性，早期模型的固定像素感受，会丢失信息，因此动态地跟踪局部运动，才能更好地感受到局部特征。
  • 个人理解：这种局部运动就是part of body，其可以生成很好的识别特征，但是需要结合各个局部特征共同解析，才能生成较好的个人识别结果。
  • 可以有较为小的感知野去接受，存在在较浅层，局部信息还未被丢失时，才有可能去感受到。
• 2、全局运动特征：其问题还没有理解。
  • 个人理解：是一种整体的特征，存在深层上。
  • 因为各个像素计算经过深层后，才能用很好地被“联系”。

二、Backbone:

        针对（一）中的问题，提出了LCMB模块去解决局部问题，GMPA模块解决全局问题。

        可以看到，本文的方法是先提取局部的特征，后提取全局的特征。

Horizontal Pooling？

TA？

RA？

LCMB

        LCMB是动态的主要体现

        

分模块去理解

      

        首先是幅度Magnitude与相位Phase的生成，可以注意到抛弃了复数的相位。

•         抛弃负相位的原因：

实值特征的的计算：

        real part?imag part?

实值特征得作用为需要的像素提供一张map，然后聚合每个像素的时空领域。

        这公式的计算？

得到聚合输出oj。

简化计算后

        实值特征输出oj

以下是动态聚合感知演示图

GMPA

所谓低阶与高阶GMPA的区别，高阶的感知图受噪声的影响更小。

最低阶的GMPA构造为：

这个是较高阶的GMPA构造方式：

三、LOSS

        损失采用了常见的联合损失。

        主损失看起来只是简单的欧式距离。

        辅助损失是交叉熵损失。

        

        

四、一些实验

        

指标解释

指标名	指标解释
NM
BG	越大越好。这是步态识别的准确度，表示模型正确识别步态的能力。准确度为100%表示模型完全正确。
CL	越大越好。这是分类任务的准确度，表示模型在对步态进行分类时的正确率。准确度为100%表示模型完全正确。
Mean	三者平均值(why)

低阶的GMPA数量为Npatt，数量越多，并没有发现成一个明显的线性关系，和BG显反比的趋势。

Npart为Horizontal Pooling水平池化的数量，可以发现越大约好。

创新总结：

        最大的创新点我认为在于建立了LCMB这一动态捕捉局部特征的模块，这样确实为使得局部特征显得更加合理。

        GMPA层更多看起来借鉴了PPM的思想。