BigGait：利用大型视觉模型学习所需的步态表征
计算机视觉与模式识别
2024-03-25 v2
摘要
步态识别是最关键的远程识别技术之一，并在研究和工业界逐步扩展。然而，现有的步态识别方法严重依赖于由监督学习驱动的特定任务上游过程，以提供如轮廓序列等显式步态表征，这不可避免地引入了昂贵的标注成本和潜在的误差累积。为了摆脱这一趋势，本工作探索了基于任务无关的大型视觉模型（LVMs）所产生的通用知识的有效步态表征，并提出了一种简单而高效的步态框架，称为 BigGait。具体而言，BigGait 中的步态表征提取器（GRE）借鉴了既定步态表征的设计原则，有效地将通用知识转化为隐式步态表征，而无需第三方监督信号。在 CCPG、CAISA-B* 和 SUSTech1K 上的实验表明，BigGait 在大多数情况下，无论是在域内还是跨域任务中，均显著优于先前的方法，并为学习下一代步态表征提供了一种更实用的范式。最后，我们深入探讨了基于 LVMs 的步态识别所面临的潜在挑战和前景方向，旨在激发这一新兴主题的未来工作。源代码可在 https://github.com/ShiqiYu/OpenGait 获取。
引用
@article{arxiv.2402.19122,
title = {BigGait: Learning Gait Representation You Want by Large Vision Models},
author = {Dingqiang Ye and Chao Fan and Jingzhe Ma and Xiaoming Liu and Shiqi Yu},
journal= {arXiv preprint arXiv:2402.19122},
year = {2024}
}