通过数据选择与监督对齐提升有限数据集下步态识别的泛化能力
计算机视觉与模式识别
2025-11-14 v4
摘要
跨域步态识别因视角、外观和环境的显著域迁移仍具挑战性。混合数据集训练近期成为提高跨域鲁棒性的实用方法，但引入了未充分探讨的议题：1）跨数据集的监督冲突干扰身份学习，2）冗余或噪声样本降低数据效率并可能强化数据集特定模式。为此，我们提出一种统一的跨数据集步态学习范式，同时提升运动信号质量和监督一致性。首先通过抑制以冗余步态循环或不稳定轮廓为主导的序列，引导基于表示冗余性和预测不确定性的数据可靠性，从而集中学习在混合异构数据集上的信息性步态动力学。在此基础上，通过解耦跨数据集的度量学习，在每个来源内部形成三元组，防止破坏性跨域梯度的同时保留可迁移的身份线索。这些组件协同作用，稳定优化过程并提升泛化能力，无需修改网络架构或额外标注。在CASIA-B、OU-MVLP、Gait3D和GREW数据集上，采用GaitBase和DeepGaitV2 backbone均实现跨域性能提升，同时不牺牲同域准确率。结果表明，数据选择与监督对齐有效实现了可扩展的混合数据集步态学习。
引用
@article{arxiv.2505.15176,
title = {Improving the generalization of gait recognition with limited datasets},
author = {Qian Zhou and Xianda Guo and Jilong Wang and Chuanfu Shen and Zhongyuan Wang and Zhen Han and Qin Zou and Shiqi Yu},
journal= {arXiv preprint arXiv:2505.15176},
year = {2025}
}
备注
10 pages, 3 figures