CLASH：用于步态识别的神经架构搜索互补学习
计算机视觉与模式识别
2024-07-08 v1
摘要
步态识别旨在通过个体的行走模式进行身份识别，基于轮廓的方法已取得巨大成功。二值轮廓序列在稀疏边界表示内编码了行走模式。然而，由于稀疏边界缺乏适合用密集纹理表示的密集时空信息，轮廓中的大多数像素对行走模式不够敏感。为了增强对行走模式的敏感性同时保持识别的鲁棒性，我们提出了一种结合神经架构搜索的互补学习框架（CLASH），由对行走模式敏感的步态描述符——密集时空场（DSTF）与基于神经架构搜索的互补学习（NCL）组成。具体而言，DSTF将表示从稀疏二值边界转换为密集的基于距离的纹理，在像素级对行走模式敏感。进一步地，NCL提出了用于互补学习的任务特定搜索空间，它使DSTF的敏感性与轮廓的鲁棒性相互补充，从而有效地表示行走模式。大量实验证明了所提方法在实验室和自然场景下的有效性。在 CASIA-B 上，我们在三种条件下分别达到了 98.8%、96.5% 和 89.3% 的 rank-1 准确率。在 OU-MVLP 上，我们达到了 91.9% 的 rank-1 准确率。在最新的自然场景数据集上，我们在 Gait3D 和 GREW 上分别比最新的基于轮廓的方法高出 16.3% 和 19.7%。
引用
@article{arxiv.2407.03632,
title = {CLASH: Complementary Learning with Neural Architecture Search for Gait Recognition},
author = {Huanzhang Dou and Pengyi Zhang and Yuhan Zhao and Lu Jin and Xi Li},
journal= {arXiv preprint arXiv:2407.03632},
year = {2024}
}