GaitGS：在粒度与跨度维度上学习时间特征用于步态识别
计算机视觉与模式识别
2024-06-19 v3
摘要
步态识别作为生物识别技术中一个不断发展的领域，利用独特的行走模式进行准确的个体识别。然而，现有方法缺乏时间信息的引入。为充分发挥步态识别的潜力，我们主张在 varying 粒度与跨度上考虑时间特征。本文提出一种新颖框架 GaitGS，其在粒度与跨度两个维度上同时聚合时间特征。具体而言，多粒度特征提取器(MGFE)被设计用于分别在细粒度和粗粒度上捕获微动与宏动信息，而多跨度特征提取器(MSFE)生成局部与全局时间表示。通过在两个数据集上的大量实验，我们的方法展示了最先进的性能，在 CASIA-B 不同条件下达到 98.2%、96.5% 和 89.7% 的 Rank-1 准确率，在 OU-MVLP 上达到 97.6%。源代码将发布于 https://github.com/Haijun-Xiong/GaitGS。
引用
@article{arxiv.2305.19700,
title = {GaitGS: Temporal Feature Learning in Granularity and Span Dimension for Gait Recognition},
author = {Haijun Xiong and Yunze Deng and Bin Feng and Xinggang Wang and Wenyu Liu},
journal= {arXiv preprint arXiv:2305.19700},
year = {2024}
}
备注
Accepted by ICIP2024