GaitMixer：基于骨架的步态表征学习之宽谱多轴混合器
计算机视觉与模式识别
2022-11-01 v2
摘要
大多数现有步态识别方法基于表观，依赖于从人体行走活动视频数据中提取的剪影。较少被研究的基于骨架的步态识别方法直接从 2D/3D 人体骨架序列中学习步态动态，在理论上对于由衣物、发型和携带物品引起的表观变化是更鲁棒的解决方案。然而，基于骨架方法的性能仍大幅落后于基于表观的方法。本文旨在通过提出一种新颖的网络模型 GaitMixer 来缩小这一性能差距，以从骨架序列数据中学习更具判别力的步态表征。具体而言，GaitMixer 遵循异质多轴混合器架构，利用空间自注意力混合器后接时间大核卷积混合器来学习步态特征图中丰富的多频信号。在广泛使用的步态数据库 CASIA-B 上的实验表明，GaitMixer 大幅优于先前 SOTA 的基于骨架的方法，同时与具代表性的基于表观的方案相比取得了有竞争力的性能。代码将发布于 https://github.com/exitudio/gaitmixer
引用
@article{arxiv.2210.15491,
title = {GaitMixer: Skeleton-based Gait Representation Learning via Wide-spectrum Multi-axial Mixer},
author = {Ekkasit Pinyoanuntapong and Ayman Ali and Pu Wang and Minwoo Lee and Chen Chen},
journal= {arXiv preprint arXiv:2210.15491},
year = {2022}
}
备注
Submitted to ICASSP 2023