野外步态识别：大规模基准与基于 NAS 的基线
计算机视觉与模式识别
2024-01-12 v2
摘要
步态基准使研究界能够训练和评估高性能步态识别系统。尽管越来越多的努力投入到跨视角识别中，学术界仍受限于当前在受控环境中采集的现有数据库。本文中，我们贡献了一个用于野外步态识别（GREW）的新基准和强基线。GREW 数据集构建自自然视频，包含开放系统中的数百台相机和数千小时视频流。经过大量人工标注，GREW 包含 26K 个身份和 128K 条序列，具有丰富的属性用于无约束步态识别。此外，我们添加了超过 233K 条序列的干扰集，使其更适合真实世界应用。与流行的预定义跨视角数据集相比，GREW 具有多样且实用的视角变化，以及更自然的挑战因素。据我们所知，这是首个大规模野外步态识别数据集。配备此基准，我们剖析无约束步态识别问题，探讨了具有代表性的基于外观和基于模型的方法。所提出的 GREW 基准被证明对于在无约束场景中训练和评估步态识别器至关重要。此外，我们提出了一种用于步态识别的单路径一次性神经架构搜索（NAS）结合均匀采样的方法，名为 SPOSGait，这是首个基于 NAS 的步态识别模型。在实验中，SPOSGait 在 CASIA-B、OU-MVLP、Gait3D 和 GREW 基准上达到了最先进性能，大幅优于现有方法。代码将发布于 https://github.com/XiandaGuo/SPOSGait。
引用
@article{arxiv.2205.02692,
title = {Gait Recognition in the Wild: A Large-scale Benchmark and NAS-based Baseline},
author = {Xianda Guo and Zheng Zhu and Tian Yang and Beibei Lin and Junjie Huang and Jiankang Deng and Guan Huang and Jie Zhou and Jiwen Lu},
journal= {arXiv preprint arXiv:2205.02692},
year = {2024}
}
备注
Extension of our ICCV 2021 work