在野外的步态识别:一个大规模的基准和基于NAS的基线

科学领域:

• 计算机视觉 计算机视觉
• 生物识别信息 生物识别信息
• 机器学习 机器学习

背景情况:

• 现有的步态识别数据集仅限于受控环境,阻碍了现实世界的应用开发.
• 跨视图步态识别研究需要更多的多样化和自然具有挑战性的数据集.

研究的目的:

• 引入一个名为GREW (Gait REcognition in the Wild) 的大规模,不受限制的步态识别数据集.
• 为无约束步态识别研究建立一个强有力的基准.
• 为步态识别提出一种新的神经架构搜索 (NAS) 模型.

主要方法:

• 使用自然视频从数千小时的流通过数百个摄像头构建GREW数据集.
• 包括26,000个身份和128,000个具有丰富属性的序列,以及233,000个序列分心器集.
• 开发和应用SPOSGait,一个针对步态识别的单路一拍神经架构搜索模型.

主要成果:

• GREW数据集提供了多样化的视图变化和自然挑战,超越了受控数据集的局限性.
• 在CASIA-B,OU-MVLP,Gait3D和新的GREW基准中,SPOSGait实现了最先进的性能.
• 与现有的步态识别方法相比,SPOSGait表现出更高的性能.

结论:

• 在无约束的现实世界中,GREW基准对于培训和评估步态识别器至关重要.
• 作为第一个基于NAS的步态识别模型,SPOSGait代表了显著的进步,制定了新的性能标准.