CarGait：面向步态识别的交叉注意力重排序方法

步态识别是一种计算机视觉任务，根据个体的行走模式来识别身份。步态识别性能通常通过排序候选库并衡量Top Rank-K准确率来评估。现有模型通常是单阶段的，即使用单一全局特征表示在候选库中搜索探测样本的最近邻。尽管这些模型通常在前K个预测中成功检索到正确身份，但当困难负样本出现在前列时表现不佳，导致最高排名（如Rank-1）的性能相对较低。在本文中，我们引入了CarGait，一种面向步态识别的交叉注意力重排序方法，通过步态条之间的交叉注意力利用步态序列对之间的细粒度相关性来重新排序Top-K列表。该重排序方案可以适配现有单阶段模型以提升其最终结果。我们通过在三个常见步态数据集Gait3D、GREW和OU-MVLP以及七种不同步态模型上的大量实验证明了CarGait的能力，在Rank-1和Rank-5准确率上表现出一致的提升，优于现有重排序方法和强基线。