DAGait: Generalized Skeleton-Guided Data Alignment for Gait Recognition

要約

歩行認識は、コンピュータービジョンの分野内の有望で革新的な分野として浮上しており、遠隔の人の識別に広く適用されています。
既存の歩行認識方法は、制御された実験室データセットで大きな成功を収めていますが、野生のデータセットに移行するとパフォーマンスが大幅に低下することがよくあります。私たちは、パフォーマンスのギャップは主に野生のデータセットに存在する空間的分布の不一致に起因する可能性があると主張します。
野生で正確な歩行認識を達成するために、スケルトン誘導シルエットアライメント戦略を提案します。これは、スケルトンの事前知識を使用して、対応するシルエットでアフィン変換を実行します。これは、当社の知識を最大限に活用するために、体格認識に対するデータアライメントの影響を調査する最初の研究です。
複数のデータセットとネットワークアーキテクチャにわたって広範な実験を実施しました。結果は、提案されたアライメント戦略の重要な利点を示しています。特に、挑戦的なGait3Dデータセットでは、すべての評価されたネットワークで平均パフォーマンス改善が7.9％を達成しました。
さらに、私たちの方法は、最大24.0％の精度の向上により、クロスドメインデータセットの大幅な改善を達成します。

要約(オリジナル)

Gait recognition is emerging as a promising and innovative area within the field of computer vision, widely applied to remote person identification. Although existing gait recognition methods have achieved substantial success in controlled laboratory datasets, their performance often declines significantly when transitioning to wild datasets.We argue that the performance gap can be primarily attributed to the spatio-temporal distribution inconsistencies present in wild datasets, where subjects appear at varying angles, positions, and distances across the frames. To achieve accurate gait recognition in the wild, we propose a skeleton-guided silhouette alignment strategy, which uses prior knowledge of the skeletons to perform affine transformations on the corresponding silhouettes.To the best of our knowledge, this is the first study to explore the impact of data alignment on gait recognition. We conducted extensive experiments across multiple datasets and network architectures, and the results demonstrate the significant advantages of our proposed alignment strategy.Specifically, on the challenging Gait3D dataset, our method achieved an average performance improvement of 7.9% across all evaluated networks. Furthermore, our method achieves substantial improvements on cross-domain datasets, with accuracy improvements of up to 24.0%.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google