步态分析中学习简化时空图

步态分析利用独特的行走模式在多个领域中进行人员识别与评估。在用于步态分析的方法中，基于骨架的方法因其鲁棒且可解释的特征而展现出潜力。然而，这些方法往往依赖于基于人体解剖学手工设计的时空图，忽略了数据集与任务的特性。本文提出一种新颖方法，用于简化基于步态的性别估计中的时空图表示，在保持性能的同时提升可解释性。我们的方法采用上游与下游两个模型，可为每个行走实例调整邻接矩阵，从而去除图的固定性。通过采用 Straight-Through Gumbel-Softmax 技巧，我们的模型可端到端训练。我们在 CASIA-B 数据集上验证了该方法在基于步态的性别估计中的有效性。所得图具有可解释性，且在性质上不同于现有模型中使用的固定图。我们的研究有助于增强步态识别的可解释性与任务特定适应性，推动更高效可靠的基于步态的生物特征识别。