MetaGait：学习以学习一种全样本自适应表征用于步态识别
计算机视觉与模式识别
2023-06-07 v1 人工智能
摘要
步态识别旨在依据个体行走模式进行身份识别，近来受到越来越多的研究关注。然而，步态识别仍受限于轮廓有限的二值视觉线索与多种不同尺度协变量之间的冲突，这给模型的适应性带来挑战。本文中，我们通过提出一种新颖的 MetaGait 来解决该冲突，其学习以学习一种全样本自适应表征。为此，MetaGait 将可引导模型感知样本特定属性的元知识注入注意力机制的校准网络中，从全尺度、全维度和全过程视角提升适应性。具体而言，我们利用整个过程中的元知识，分别提出元三元注意力与元时间池化，以自适应地从空间/通道/时间维度同时捕获全尺度依赖，并通过整合三种互补时间聚合方法的优势自适应地聚合时间信息。大量实验证明了所提 MetaGait 的先进性能。在 CASIA-B 上，我们在三种条件下分别取得 98.7%、96.0% 和 89.3% 的 rank-1 准确率。在 OU-MVLP 上，我们取得 92.4% 的 rank-1 准确率。
引用
@article{arxiv.2306.03445,
title = {MetaGait: Learning to Learn an Omni Sample Adaptive Representation for Gait Recognition},
author = {Huanzhang Dou and Pengyi Zhang and Wei Su and Yunlong Yu and Xi Li},
journal= {arXiv preprint arXiv:2306.03445},
year = {2023}
}
备注
Accepted by ECCV2022