GaitGL：用于步态识别的判别性全局-局部特征表示学习
计算机视觉与模式识别
2022-08-03 v1
摘要
现有的步态识别方法要么直接从原始步态序列建立全局特征表示(GFR)，要么从若干局部部位生成局部特征表示(LFR)。然而，随着网络深层感受野变大，GFR倾向于忽略人体姿态的局部细节。尽管LFR使网络能够关注各局部区域的详细姿态信息，但其忽略了不同局部部位之间的关系，因而仅利用了若干特定区域的有限局部信息。为解决这些问题，我们提出一种基于全局-局部的步态识别网络，名为GaitGL，以生成更具判别力的特征表示。具体而言，设计了一种新颖的全局与局部卷积层(GLCL)，以在每一层中充分利用全局视觉信息与局部区域细节。GLCL是一种双分支结构，由GFR提取器和基于掩码的LFR提取器组成。GFR提取器旨在提取上下文信息（例如各身体部位间的关系），而基于掩码的LFR提取器用于挖掘局部区域的详细姿态变化。此外，我们引入一种新颖的基于掩码的策略以提升局部特征提取能力。具体地，我们设计成对的互补掩码随机遮挡特征图，然后在各种被遮挡的特征图上训练基于掩码的LFR提取器。以此方式，LFR提取器将学会充分利用局部信息。大量实验表明，GaitGL取得了优于最先进步态识别方法的性能。在CASIA-B、OU-MVLP、GREW和Gait3D上的平均rank-1准确率分别为93.6%、98.7%、68.0%和63.8%，显著优于对比方法。所提方法在HID 2020与HID 2021两项竞赛中均获一等奖。
引用
@article{arxiv.2208.01380,
title = {GaitGL: Learning Discriminative Global-Local Feature Representations for Gait Recognition},
author = {Beibei Lin and Shunli Zhang and Ming Wang and Lincheng Li and Xin Yu},
journal= {arXiv preprint arXiv:2208.01380},
year = {2022}
}