从海量无标签行走视频中学习步态表示：一个基准
计算机视觉与模式识别
2023-09-06 v2
摘要
步态刻画了个体独特且具区分性的行走模式，已成为最具前景的人体身份识别生物特征之一。作为一种细粒度识别任务，步态识别易受诸多因素影响，通常需要大量完全标注的数据，而这类数据获取成本高且难以满足。本文提出一个基于对比学习的大规模自监督步态识别基准，旨在从海量无标签行走视频中学习通用步态表示，通过提供信息丰富的行走先验与多样的实世界变化服务于实际应用。具体而言，我们收集了包含 1.02M 行走序列的大规模无标签步态数据集 GaitLU-1M，并提出一个概念简单却经验强劲的基线模型 GaitSSB。实验中，我们在 CASIA-B、OU-MVLP、GREW 和 Gait3D 四个广泛使用的步态基准上，在有或无迁移学习的情况下评估预训练模型。无监督结果可与早期基于模型与基于 GEI 的方法相媲美甚至更优。经迁移学习后，我们的方法在大多数情况下大幅优于现有方法。理论上，我们讨论了步态专用对比框架的关键问题，并给出供进一步研究的见解。据我们所知，GaitLU-1M 是首个大规模无标签步态数据集，GaitSSB 是首个在上述基准上取得显著无监督结果的方法。GaitSSB 的源代码将集成至 OpenGait，地址为 https://github.com/ShiqiYu/OpenGait。
引用
@article{arxiv.2206.13964,
title = {Learning Gait Representation from Massive Unlabelled Walking Videos: A Benchmark},
author = {Chao Fan and Saihui Hou and Jilong Wang and Yongzhen Huang and Shiqi Yu},
journal= {arXiv preprint arXiv:2206.13964},
year = {2023}
}