基于选择性融合的无监督步态识别
计算机视觉与模式识别
2024-12-10 v3
摘要
以往的步态识别方法主要在带标签的数据集上训练，需要费力的标注工作。然而，在新数据集上直接使用预训练模型而不进行微调会导致性能显著下降。为使预训练步态识别模型能够在无标签数据集上微调，我们提出一项新任务：无监督步态识别（UGR）。我们引入一种基于聚类的基线，通过聚类级对比学习来解决 UGR。但我们进一步发现该任务面临更多挑战。首先，同一人不同着装下的序列因外观显著变化倾向于分别聚类。其次，从 0{\deg} 和 180{\deg} 视角拍摄的序列缺乏行走姿态，不与其它视角拍摄的序列聚类在一起。为应对这些挑战，我们提出一种选择性融合方法，包括选择性聚类融合（SCF）和选择性样本融合（SSF）。通过 SCF，我们以多聚类更新策略更新聚类级记忆库，从而合并同一人不同着装的匹配聚类。在 SSF 中，我们通过课程学习逐步合并前/后视角拍摄的序列。大量实验表明，我们的方法在提升穿不同外套条件和前/后视角条件下的 rank-1 准确率方面有效。
引用
@article{arxiv.2303.10772,
title = {Unsupervised Gait Recognition with Selective Fusion},
author = {Xuqian Ren and Shaopeng Yang and Saihui Hou and Chunshui Cao and Xu Liu and Yongzhen Huang},
journal= {arXiv preprint arXiv:2303.10772},
year = {2024}
}