从大量未标记的行走视频中学习步态表征:一个基准

科学领域:

• 生物识别和模式识别技术
• 计算机视觉 计算机视觉
• 机器学习 机器学习

背景情况:

• 步态识别是一个有前途的生物识别技术,但由于对变化的敏感性和高标注成本,它面临着挑战.
• 现有的方法往往需要大量的标记数据,这限制了实际应用.
• 从未标记的数据中开发学习强大的步态表示方法至关重要.

研究的目的:

• 提出一个大规模的自我监督的基准标准,用于使用对比学习的步态识别.
• 从大量未标记的行走视频中学习一般的步态表征.
• 为了减少对步态识别的昂贵注释数据的依赖.

主要方法:

• 收集了GaitLU-1M,一个大规模的未标记数据集,包含102万个步行序列.
• 开发了GaitSSB,一个自主监督的基线模型,利用对比学习.
• 在四个基准数据集 (CASIA-B,OU-MVLP,GREW,Gait3D) 上评估了预训练模型.

主要成果:

• 来自GaitSSB的无监督结果与早期方法相当或优于早期方法.
• 通过转移学习,GaitSSB在基准指标上明显优于现有方法.
• 前期培训证明了下游任务的注释成本 (50-80%) 的大幅节省.

结论:

• GaitLU-1M是第一个大型未标记的步态数据集,而GaitSSB是无监督步态识别的开创性方法.
• 提出的自我监督方法有效地学习一般的步态表征,提高识别性能.
• 这项工作提供了对步态特异性对比学习的见解,以及其对实际生物识别系统的潜力.