SelfGait：一种用于自监督步态识别的时空表征学习方法
计算机视觉与模式识别
2021-03-30 v1 机器学习
摘要
步态识别在人类身份识别中起着至关重要的作用，因为步态是一种可在远距离感知的独特生物特征。尽管现有步态识别方法能以不同方式从步态序列中学习步态特征，但步态识别的性能受限于标注数据不足，尤其是在涉及短步态序列或多样着装风格的一些实际场景中。对海量步态数据进行标注是不现实的。在本工作中，我们提出一种自监督步态识别方法，称为 SelfGait，其利用海量、多样、未标注的步态数据作为预训练过程，以提升时空骨干网络的表征能力。具体而言，我们采用水平金字塔映射（HPM）与微运动模板构建器（MTB）作为时空骨干网络来捕获多尺度时空表征。在 CASIA-B 与 OU-MVLP 基准步态数据集上的实验证明了所提 SelfGait 相较于四种最先进步态识别方法的有效性。源代码已发布于 https://github.com/EchoItLiu/SelfGait。
引用
@article{arxiv.2103.14811,
title = {SelfGait: A Spatiotemporal Representation Learning Method for Self-supervised Gait Recognition},
author = {Yiqun Liu and Yi Zeng and Jian Pu and Hongming Shan and Peiyang He and Junping Zhang},
journal= {arXiv preprint arXiv:2103.14811},
year = {2021}
}