步态CSF:基于频道混合调节和空间频率联合学习的多模式步态识别网络
Siwei Wei1,2, Xiangyuan Xu1, Dewen Liu3
1School of Computer Science, Hubei University of Technology, Wuhan 430068, China.
Sensors (Basel, Switzerland)
|June 27, 2025
概括
本研究介绍了GaitCSF,这是一个使用道杂交调节和空间频率学习的多模态步态识别网络. 它通过整合轮和热图数据来提高识别准确性,以实现更强大的生物识别识别.
科学领域:
- 生物识别和人机交互的人机交互
- 计算机视觉和机器学习
背景情况:
- 步态识别提供非接触式远距离识别,但由于单模数据限制,难以处理现实世界的变化 (视角,服装,遮蔽,照明).
- 现有的方法缺乏足够的特征表达,阻碍了复杂,不合作的场景中的强大性能.
研究的目的:
- 开发一个多模式步态识别网络 (GaitCSF),克服单模式方法的局限性.
- 增强特征表示,提高步态识别系统的准确性和稳定性.
主要方法:
- 整合了两个互补的模式:轮数据和热图数据.
- 一个基于道混合的特征选择性调节模块,用于跨道信息交互和特征增强.
- 一个空间频率联合学习模块,利用快速里埃转换来捕获周期性模式和远程依赖.
主要成果:
- 拟议的GaitCSF模型在GREW,Gait3D和SUSTech1k数据集上取得了显著的性能改进.
- 与传统的单模步行识别方法相比,证明了突破性性能.
- 验证了多模式数据集成和拟议的学习模块的有效性.
结论:
- 该GaitCSF模型显著提高了步态识别性能和稳定性.
- 多模式数据融合和空间频率联合学习是解决步态识别现实挑战的有效策略.
- 这项研究对需要可靠的非接触式识别的实际应用具有重大意义.
