GaitMorph：通过最优传输离散码变换步态

步态，即行走方式，已被证明是一种可靠生物特征，可用于监控、营销和安全。该领域一个有前景的新方向是通过自监督学习方法，在无显式人类标注的情况下训练步态识别系统。此类方法严重依赖对同一行走序列的强增强，以引入更多数据变异性并模拟额外的行走变化。当前的数据增强方案是启发式的，无法提供必要的的数据变化，因为它们只能提供简单的时间和空间畸变。在本工作中，我们提出 GaitMorph，一种用于修改输入步态序列行走变化的新方法。我们的方法涉及训练一个用于步态骨架序列的高压缩模型，该模型利用无标签数据构建离散且可解释的潜在空间，保留与身份相关的特征。此外，我们提出一种基于最优传输理论的方法，在离散码本上学习潜在传输映射，以在变化之间变形步态序列。我们进行了大量实验，并表明我们的方法适合为输入序列合成额外视角。