面向真实换装步态识别的渐进式特征学习
计算机视觉与模式识别
2024-04-23 v2 机器学习
摘要
步态识别在犯罪预防和社会安全中发挥着重要作用，因为它可以在远距离下识别人员身份。然而，现有的数据集和方法无法令人满意地解决实践中最具挑战性的换装问题。具体而言，实用的步态模型通常在自动标注的数据上训练，其中每个人的序列视角和衣物条件存在一定限制。具体来说，跨视角子数据集仅有正常行走条件而无换装，而跨衣物子数据集虽有换装序列但仅有正前视角。因此，换装识别精度无法满足实际需求。在本工作中，我们将该问题定义为真实换装步态识别（Realistic Cloth-Changing Gait Recognition，简称 RCC-GR），并构建了两个基准：CASIA-BN-RCC 和 OUMVLP-RCC，以模拟上述设定。此外，我们提出了一种称为渐进式特征学习（Progressive Feature Learning）的新框架，可配合现有骨干网络使用，以提升其在 RCC-GR 中的性能。具体而言，在我们的框架中，我们设计了渐进式映射（Progressive Mapping）与渐进式不确定性（Progressive Uncertainty）来提取跨视角特征，并在此基础上提取跨衣物特征。如此，来自跨视角子数据集的特征可首先主导特征空间，缓解由跨衣物子数据集的不良影响所引起的分布不均。在我们的基准上的实验表明，该框架能有效提升识别性能，尤其在换装条件下。
引用
@article{arxiv.2207.11720,
title = {Progressive Feature Learning for Realistic Cloth-Changing Gait Recognition},
author = {Xuqian Ren and Saihui Hou and Chunshui Cao and Xu Liu and Yongzhen Huang},
journal= {arXiv preprint arXiv:2207.11720},
year = {2024}
}