GaitFormer：重访步态识别的内在周期性
计算机视觉与模式识别
2023-07-26 v1
摘要
步态识别旨在通过分析视频级人体轮廓而非依赖外观信息来区分不同的行走模式。以往步态识别研究主要关注提取局部或全局时空表示，忽视了步态序列的内在周期特征，而若充分利用该特征可显著提升性能。本工作中，我们提出一种即插即用策略——时间周期对齐（TPA），其利用了步态模式的周期本质与细粒度时间依赖。TPA 策略包含两个关键组件。第一组件为自适应傅里叶变换位置编码（AFPE），其自适应地将特征与离散时间信号转换为对周期行走模式敏感的嵌入。第二组件为时间聚合模块（TAM），其将嵌入分离为趋势与季节分量，并提取有意义的时间相关性以识别主要分量，同时滤除随机噪声。我们基于 TPA 策略提出一种简洁有效的步态识别基线方法。在三个流行公开数据集（CASIA-B、OU-MVLP 和 GREW）上的大量实验表明，我们所提方法在多个基准测试中取得了 SOTA 性能。
引用
@article{arxiv.2307.13259,
title = {GaitFormer: Revisiting Intrinsic Periodicity for Gait Recognition},
author = {Qian Wu and Ruixuan Xiao and Kaixin Xu and Jingcheng Ni and Boxun Li and Ziyao Xu},
journal= {arXiv preprint arXiv:2307.13259},
year = {2023}
}