GaitFormer：利用含噪多任务学习步态表征
计算机视觉与模式识别
2023-10-31 v1
摘要
步态分析被证明是一种不依赖受试者配合即可进行人员识别的可靠方式。行走是一种短期内不会发生显著变化且可视为每个人独有的生物特征。迄今为止，步态分析的研究主要集中于身份识别与人口统计学估计，而未考虑基于外观的方法所依赖的许多行人属性。本文中，除基于步态的人员识别外，我们仅从运动模式探索行人属性识别。我们提出 DenseGait，这是用于预训练步态分析系统的最大数据集，包含 21.7 万条匿名轨迹，并用 42 个外观属性自动标注。DenseGait 通过自动处理视频流构建，提供了真实世界中完整的步态协变量。我们向研究界公开该数据集。此外，我们提出 GaitFormer，一种基于 transformer 的模型，在 DenseGait 上以多任务方式预训练后，在 CASIA-B 上达到 92.5% 准确率、在 FVG 上达到 85.33% 准确率，且未使用任何人工标注数据。这相对于同类方法分别对应 +14.2% 和 +9.67% 的准确率提升。而且，GaitFormer 仅利用运动模式即可准确识别性别信息及大量外观属性。用于复现实验的代码已公开。
关键词
引用
@article{arxiv.2310.19418,
title = {GaitFormer: Learning Gait Representations with Noisy Multi-Task Learning},
author = {Adrian Cosma and Emilian Radoi},
journal= {arXiv preprint arXiv:2310.19418},
year = {2023}
}
备注
Published in Sensors 2022, Image and Video Processing and Recognition Based on Artificial Intelligence