[论文解读] HEATGait: Hop-Extracted Adjacency Technique in Graph Convolution based Gait Recognition
本文提出 HEATGait，一种新颖的步态识别框架，通过一种跳跃提取技术在图卷积网络中构建更均衡的邻接矩阵，缓解了多尺度步态特征学习中的加权偏差问题。通过结合姿态估计、预处理和基于 ResGCN 的架构，HEATGait 在 CASIA-B 数据集上实现了最先进性能，正常行走条件下准确率达到 93.3%，背景变化条件下达到 87.5%。
Biometric authentication using gait has become a promising field due to its unobtrusive nature. Recent approaches in model-based gait recognition techniques utilize spatio-temporal graphs for the elegant extraction of gait features. However, existing methods often rely on multi-scale operators for extracting long-range relationships among joints resulting in biased weighting. In this paper, we present HEATGait, a gait recognition system that improves the existing multi-scale graph convolution by efficient hop-extraction technique to alleviate the issue. Combined with preprocessing and augmentation techniques, we propose a powerful feature extractor that utilizes ResGCN to achieve state-of-the-art performance in model-based gait recognition on the CASIA-B gait dataset.
研究动机与目标
- 解决基于模型的步态识别中多尺度图卷积网络存在的加权偏差问题。
- 通过用跳跃提取技术替代基于多项式的方法，改进长距离关节依赖建模。
- 通过去除低置信度姿态估计的预处理方法，增强特征表示。
- 基于 ResGCN 架构在 CASIA-B 步态识别基准上实现最先进性能。
提出的方法
- 系统使用姿态估计网络从步态视频帧中提取 2D 关节坐标。
- 预处理步骤移除置信度较低的姿态预测帧，降低噪声并提升模型收敛性。
- 一种新颖的跳跃提取技术构建多尺度邻接矩阵，捕捉长距离关节关系，同时避免循环行走偏差。
- 该邻接矩阵用于基于 ResGCN 的图卷积网络，以学习时空步态特征。
- 模型采用监督对比损失和循环学习率调度进行训练，防止过拟合。
- 通过姿态序列的顺序处理，框架实现时序建模。
实验结果
研究问题
- RQ1在步态识别中，如何有效缓解基于多项式扩展的多尺度图卷积中产生的加权偏差问题？
- RQ2与传统高阶邻接矩阵相比，跳跃提取在长距离关节依赖建模方面能提升多少？
- RQ3对姿态估计输出进行预处理是否能显著提升识别准确率，尤其是在具有挑战性的行走条件下？
- RQ4所提出的 HEATGait 框架是否在 CASIA-B 数据集上，于多种视角和行走条件下均优于现有最先进方法？
主要发现
- 在 CASIA-B 数据集的正常行走（NM）条件下，HEATGait 达到 93.3% 的识别准确率，显著优于基线 ResGCN。
- 在背景变化（BG）条件下准确率达到 87.5%，在服装变化（CL）条件下达到 82.3%，表明对环境和外观变化具有鲁棒性。
- 消融实验证实，仅使用预处理即可平均提升准确率 2.33%，而加入跳跃提取后相比基线进一步提升 11.07%。
- 在 12 项评估设置中的 10 项中，HEATGait 超过所有最先进方法，仅在 54° 和 72° 视角下性能相近。
- 采用监督对比损失和循环学习率调度有效防止过拟合，使在有限步态数据上的训练更加稳定。
更好的研究，从现在开始
从论文设计到论文写作，大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成，并经人工编辑审核。