基于时序Kolmogorov-Arnold网络的人体姿态识别
计算机视觉与模式识别
2026-04-14 v1 人工智能
摘要
人体姿态识别是一种生物识别方式，通过其特征性行走模式识别个人。与传统生物特征不同，姿态可以在不主动协作的情况下进行远程获取，使其适用于监视和公共安全应用。然而，基于轮廓的时序模型对长序列、观测噪声和与外观相关的协变量仍然敏感。循环结构往往难以保留来自早期帧的信息，并且本质上是顺序优化的，而基于转换器的模型通常需要更大的计算资源和更大的训练数据集，并且可能对不规则的序列长度和噪声输入敏感。这些限制降低了在服装变化、携带条件和视角变化下的鲁棒性，同时也阻碍了对局部姿态周期和更长期动力趋势的联合建模。为此，我们提出了时序Kolmogorov-Arnold网络（TKAN）用于姿态识别。该模型将固定边缘权重替换为可学习的一维函数，并包含由短期RKAN子层和门控长期通道组成的两级记忆机制。该设计使我们能够高效地建模周期级动力学和更广泛的时序上下文，同时保持紧凑的网络结构。在CASIA-B数据集上的实验表明，所提出的CNN+TKAN框架在报告的评估设置下实现了卓越的识别性能。
引用
@article{arxiv.2604.09989,
title = {FlowPalm: Optical Flow Driven Non-Rigid Deformation for Geometrically Diverse Palmprint Generation},
author = {Yuchen Zou and Huikai Shao and Lihuang Fang and Zhipeng Xiong and Dexing Zhong},
journal= {arXiv preprint arXiv:2604.09989},
year = {2026}
}