GaitStrip：基于条带特征表示与多级框架的步态识别
计算机视觉与模式识别
2022-10-11 v2
摘要
许多步态识别方法首先将人体步态划分为 N 个部分，再将其组合以建立基于部分的特征表示。其步态识别性能常受划分策略影响，而不同数据集上的划分策略多为经验性选择。然而，我们观察到条带作为部分的基本组成单元，对不同划分策略具有不变性。受此启发，我们提出一种基于条带的多级步态识别网络，称为 GaitStrip，以在不同层级提取全面的步态信息。具体而言，我们的高级分支探索步态序列的上下文，低级分支关注细节姿态变化。我们引入一种新颖的基于条带的特征提取器（SPB），以人体每条条带为基本单元直接学习基于条带的特征表示。此外，我们提出一种称为增强卷积模块（ECM）的新颖多分支结构，以提取步态的不同表示。ECM 由时空特征提取器（ST）、帧级特征提取器（FL）和 SPB 组成，具有两个明显优势：第一，每个分支专注于一种特定表示，可提升网络鲁棒性，其中 ST 旨在提取步态序列的时空特征，FL 用于生成每帧的特征表示；第二，通过引入结构重参数化技术，ECM 在测试时的参数量可得以减少。大量实验结果表明，我们的 GaitStrip 在正常行走与复杂条件下均达到最先进的性能。
引用
@article{arxiv.2203.03966,
title = {GaitStrip: Gait Recognition via Effective Strip-based Feature Representations and Multi-Level Framework},
author = {Ming Wang and Beibei Lin and Xianda Guo and Lincheng Li and Zheng Zhu and Jiande Sun and Shunli Zhang and Xin Yu},
journal= {arXiv preprint arXiv:2203.03966},
year = {2022}
}
备注
Accepted to ACCV2022