基于 SetTransformer 的数据库无关步态注册

步态识别已成为一种用于远距离、非侵入式身份分析的强大工具，在监控和监测应用中日益重要。尽管深度学习和大规模数据集的最新进展使得在闭集条件下能够实现高精度识别，但实际部署要求开集步态注册，即判断一个新的步态样本是属于已知身份还是代表一个之前未见过的个体。在这项工作中，我们引入了一个基于 Transformer 的框架，用于开集步态注册，该框架既与数据库无关，也与识别架构无关。我们的方法利用 SetTransformer，基于一个探测样本的嵌入和从底库中抽取的上下文集来做出注册决策，无需针对新环境设定特定任务的阈值或进行重新训练。通过将注册与主识别流程解耦，我们的模型能够泛化到不同的数据库、底库大小和身份分布。我们提出了一种评估协议，该协议使用不同身份比例和每个身份行走次数比例的现有数据集。我们使用基于骨架的步态表示来实例化我们的方法，并在两个基准数据集（CASIA-B 和 PsyMo）上使用三种最先进的识别模型（GaitGraph、GaitFormer 和 GaitPT）的嵌入对其进行评估。我们表明，我们的方法具有灵活性，能够在不同场景下准确执行注册，并且与传统方法相比，能更好地随数据规模扩展。我们将公开代码和数据集场景。