用于步态识别的层次化时空表示学习
计算机视觉与模式识别
2023-07-20 v1
摘要
步态识别是一种通过个体独特行走风格进行身份识别的生物特征技术，适用于无约束环境且具有广泛应用。当前方法多聚焦于利用基于身体部位的表示，往往忽视局部运动模式间的层次依赖。本文提出一种层次化时空表示学习（HSTL）框架，用于从粗到细地提取步态特征。该框架首先通过层次聚类分析从整体身体到局部细节恢复多级身体结构。接着，设计一种自适应基于区域的运动提取器（ARME）来学习区域无关的运动特征。所提 HSTL 随后以自顶向下方式堆叠多个 ARME，每个 ARME 对应层次的一个特定划分级别。采用自适应时空池化（ASTP）模块在不同细节层级捕获步态特征以执行层次化特征映射。最后，利用帧级时间聚合（FTA）模块通过多尺度时间下采样减少步态序列中的冗余信息。在 CASIA-B、OUMVLP、GREW 和 Gait3D 数据集上的大量实验表明，我们的方法在保持模型精度与复杂度合理平衡的同时优于当前最优（SOTA）方法。
引用
@article{arxiv.2307.09856,
title = {Hierarchical Spatio-Temporal Representation Learning for Gait Recognition},
author = {Lei Wang and Bo Liu and Fangfang Liang and Bincheng Wang},
journal= {arXiv preprint arXiv:2307.09856},
year = {2023}
}
备注
Accepted to ICCV2023