论文介绍
许多步态识别方法首先将人体步态划分为N个部分，然后将它们组合起来建立基于部分的特征表示。他们的步态识别性能通常受到分区策略的影响，这些策略是在不同的数据集中根据经验选择的。然而，我们观察到作为部件基本组成部分的条带对于不同的分区策略是不可知的。受这一观察的启发，我们提出了一个基于条带的多级步态识别网络，名为GaitStrip，以提取不同级别的综合步态信息。
具体来说，我们的高级分支探索步态序列的上下文，而我们的低级分支则侧重于详细的姿势变化。我们引入了一种新的基于条带的特征提取器（SPB），通过直接将人体的每个条带作为基本单元来学习基于条带的特征表示。此外，我们提出了一种新的多分支结构，称为增强卷积模块（ECM），以提取步态的不同表示。
ECM由时空特征提取器（ST）、帧级特征提取器（FL）和SPB组成，具有两个明显的优点：
首先，每个分支都关注于一个特定的表示，这可以用来提高网络的鲁棒性。具体而言，ST旨在提取步态序列的时空特征，而FL用于生成每个帧的特征表示。
其次，通过引入结构重新参数化技术，可以在测试中减少ECM的参数。大量的实验结果表明，我们的GaitStrip在正常行走和复杂条件下都达到了最先进的性能。
论文链接
https://arxiv.org/abs/2203.03966
