Gait Recognition
PulseAugur coverage of Gait Recognition — every cluster mentioning Gait Recognition across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新的步态识别方法使用专家混合模型处理遮挡问题
研究人员推出了一种新颖的步态识别方法 GaitMoE，该方法解决了现实场景中遮挡带来的挑战。该方法将步态识别视为一个动作检测问题，并利用专家混合（Mixture of Experts, MoE）架构。该系统包含时间专家混合（Mixture of Temporal Experts, MTE）和动作专家混合（Mixture of Action Experts, MAE），能够自适应地构建动作锚点和提议，即使在信息缺失或嘈杂的情况下也能实现…
-
新数据集和模型推动跨传感器步态识别发展
研究人员开发了两个新的步态分析数据集和框架。SynthGait-19K 是由 Hugging Face 创建的一个大型合成视频数据集，包含超过 19,000 个视频和六个步态参数的地面真实标注，旨在改进基于视频的步态估计。同时，MMGait 提供了一个多传感器基准测试，实现了可见光、红外、深度、激光雷达和雷达等多种模态的步态识别统一。该基准测试还引入了 OmniGait++ 模型，该模型能够在单模态、跨模态和多模态设置下进行统一识别，…
-
SapiensID 2.0 通过语义和时间感知增强人类识别模型
研究人员推出了 SapiensID 2.0，这是一个新的框架，旨在通过与人类感知对齐来改进人类识别模型，而不是仅仅依赖静态的几何特征。这种方法通过融入语义和时间感知来解决“语义盲”和过度依赖瞬时噪声等问题。SapiensID 2.0 利用来自 Multimodal Large Language Models (MLLMs) 的知识，并采用不变特征对齐和瞬时噪声解缠等技术来关注持久特征并过滤噪声。此外，运动语义注意力头可以在不需要大量视…
-
新的LSTCN架构通过时空学习增强步态识别
研究人员开发了一种局部时空卷积网络（LSTCN），以改进步态识别，这是一种通过行走模式识别个体的生物识别技术。这种新的双分支架构增强了标准的二维卷积网络，以从视频帧中提取时间信息，克服了视角变化和服装变化带来的挑战。LSTCN利用全局双向空间池化机制和非对称卷积核来适应性地学习步态运动模式。