基于骨架的步态识别条件自适应图形卷积学习
概括
本研究引入了一个条件适应图 (CAG) 卷积网络,用于基于骨架的步态识别. 通过适应序列属性和视角变化,CAG有效地区分不同视角的行走风格,优于现有方法.
科学领域:
- 计算机视觉 计算机视觉
- 机器学习 机器学习
- 生物识别信息 生物识别信息
背景情况:
- 基于骨的步态识别对于识别个人基于他们的行走模式至关重要.
- 现有的方法与视角变化和个人步行风格差异作斗争.
- 当前模型中的均卷曲无法捕捉视图特定的细微差别.
研究的目的:
- 开发一种能够适应特定骨序列和视角的新型网络,以改进步态识别.
- 为了克服统一卷曲的局限性,在处理不同的行走风格和观点时.
- 为了提高基于骨架的步态识别系统的准确性和稳定性.
主要方法:
- 提出了一个条件适应图 (CAG) 卷积网络.
- 引入了一个联合特定波器学习 (JSFL) 模块,用于联合级别的序列适应性波器.
- 开发了一个视图适应拓学习 (VATL) 模块,用于适应图形拓生成.
主要成果:
- CAG可以动态地适应个人步行方式和视角的变化.
- JSFL捕获细粒度,关节层的模式,用于各种时空信息.
- 对于视图特定的联合相关性,VATL生成了自适应图形拓.
- 在CASIA-B和OU-MVLP数据集上实现了最先进的性能.
- 在与基于外观的方法相结合时,证明了补充信息.
结论:
- 通过解决视角和风格变化,CAG显著改善了基于骨架的步态识别.
- 拟议的自适应方法为生物识别提供了更强大,更准确的解决方案.
- CAG提供补充信息的能力提高了其在多式联运识别系统中的适用性.
