GaitGCI：面向步态识别的生成式反事实干预
计算机视觉与模式识别
2023-06-07 v1
摘要
步态是最具前景的生物特征之一，旨在根据行人的行走模式对其进行识别。然而，主流方法易受混杂因子影响，导致网络难以聚焦于反映有效行走模式的区域。为解决步态识别中的这一根本问题，我们提出一种生成式反事实干预框架，称为 GaitGCI，由反事实干预学习（CIL）和多样性约束动态卷积（DCDC）组成。CIL 通过最大化事实/反事实注意力之间的似然差异来消除混杂因子的影响，而 DCDC 自适应地生成样本级事实/反事实注意力以高效感知样本级属性。借助矩阵分解与多样性约束，DCDC 保证了模型的高效与有效。大量实验表明，所提 GaitGCI：1）能有效聚焦于反映步态模式的可判别且可解释区域；2）与模型无关，可插入现有模型以近乎零额外成本提升性能；3）在任意场景（实验室与野外）下高效达到最先进性能。
引用
@article{arxiv.2306.03428,
title = {GaitGCI: Generative Counterfactual Intervention for Gait Recognition},
author = {Huanzhang Dou and Pengyi Zhang and Wei Su and Yunlong Yu and Yining Lin and Xi Li},
journal= {arXiv preprint arXiv:2306.03428},
year = {2023}
}
备注
Accepted by CVPR2023