基于因果性的三域肢体识别中判别特征学习

肢体识别是一种通过行走模式来区分个体的生物识别技术。然而，现有方法在准确提取身份特征时面临挑战，因为这些特征常常与非身份线索混合在一起。为解决这一问题，我们提出了CLTD（Causality-inspired Discriminative Feature Learning in Triple Domains），这是一种受因果性启发的判别特征学习模块，旨在有效消除三域（即空间域、时间域和频谱域）中混杂因素的影响。具体而言，我们利用Cross Pixel-wise Attention Generator (CPAG) 为空间域和时间域中的事实特征和反事实特征生成注意力分布。随后，我们引入Fourier Projection Head (FPH) 将空间特征投影到频谱空间中，这既保留了关键信息，又降低了计算成本。此外，我们采用对比学习方法以 enforces 语义一致性约束跨同一主体的序列。我们的方法在具有挑战性的数据集上显著提升了性能，证明了其有效性。而且，它可以无缝集成到现有的肢体识别方法中。