用于训练机器/深度学习步态识别算法的数据增强方法
计算机视觉与模式识别
2016-10-25 v1
摘要
有几个混淆因素会降低步态识别系统的准确性。这些因素会降低区分性，或改变用于表征步态的特征，包括衣服、光照、姿态和环境（如行走表面）的变化。在缺乏高质量标记训练数据的情况下，对所有混淆因素完全不变性具有挑战性。我们引入了一种基于仿真的方法和特定于受试者的数据集，可用于生成合成视频帧和序列以进行数据增强。利用该方法，我们生成了一个多模态数据集。此外，我们提供了仿真文件，能够同时从多个混淆变量中采样。数据的基础是在跑步机上以不同速度行走和跑步的受试者的真实动作捕捉数据。步态识别实验的结果表明，受试者的身份信息保留在合成生成的示例中。该数据集和方法允许研究完全不变的身份识别，其观察条件数量远超其他方式可能的范围。
引用
@article{arxiv.1610.07570,
title = {A data augmentation methodology for training machine/deep learning gait recognition algorithms},
author = {Christoforos C. Charalambous and Anil A. Bharath},
journal= {arXiv preprint arXiv:1610.07570},
year = {2016}
}
备注
The paper and supplementary material are available on http://www.bmva.org/bmvc/2016/papers/paper110/index.html Dataset is available on http://www.bicv.org/datasets/m Proceedings of the BMVC 2016