基于证据且感知匹配状态的步态识别用于库外步态鉴别
摘要
现有步态识别方法通常基于探针样本与候选库样本之间的相似性来鉴别个体。然而，这些方法常忽略候选库可能不含与探针对应身份的事实，导致错误识别。为鉴别库外（OOG）步态查询，我们提出一种基于证据且感知匹配状态的步态识别（EMA-GR）框架。受证据深度学习（EDL）启发，EMA-GR 旨在量化与识别匹配状态相关的不确定性。因此，EMA-GR 可判别探针在候选库中是否存在对应个体。具体而言，我们采用证据收集器从识别结果对中抽取匹配状态证据，并依据 Dempster-Shafer 证据理论（DST）对所收集证据参数化一个 Dirichlet 分布。我们度量不确定性并预测识别结果的匹配状态，从而判定探针是否为 OOG 查询。据我们所知，我们的方法是首个应对步态识别中 OOG 查询的尝试。此外，EMA-GR 对步态识别方法具有不可知性，并提升了对 OOG 查询的鲁棒性。大量实验表明，我们的方法在含 OOG 查询的数据集上达到了最先进（SOTA）性能，且能良好泛化至其他身份检索任务。重要的是，我们的方法大幅超越现有 SOTA 方法，在 OUMVLP 上 OOG 查询率约 50% 时实现了 51.26% 的提升。
引用
@article{arxiv.2211.08007,
title = {Evidence-based Match-status-Aware Gait Recognition for Out-of-Gallery Gait Identification},
author = {Heming Du and Chen Liu and Ming Wang and Lincheng Li and Shunli Zhang and Xin Yu},
journal= {arXiv preprint arXiv:2211.08007},
year = {2024}
}
备注
We have withdrawn this manuscript from Arxiv following a consensus among co-authors to refine our approach and reevaluate the data presented. This decision is part of our commitment to ensuring the highest standards of accuracy and completeness in our published work