Gait Identification by Sparse Representation

本文介绍了2011年国际模糊系统与知识发现会议上的一篇论文,该研究通过稀疏表示分类器(SRC)改进了步态识别的准确性。文中提出了一种基于分块的方法,并引入稀疏比重的概念来提高分类效果。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

该文在2011 Eighth International Conference on Fuzzy Systems and Knowledge Discovery (FSKD)出现。

问:为什么关注这篇文章?

答:有个想法,好像理论方面跟Sparse Representation Classifier有关,于是搜索相关文章,SRC最初是09年人脸识别上。再加一个Gait关键词,就找到该文章。

该文的作者团队?学校?

Minyan Gong 1,2 , Yi Xu 1,2 , Xiaokang Yang 1,2 , Wenjun Zhang

Institute of Image Communication and Information Processing 
2 Shanghai Key Lab of Digital Media Processing and Transmissions 
Shanghai, China

可看出是上海的数字媒体和Transimission重点实验室。


主要工作内容,思想?

1、使用了SR,y=Ax;


2、分块(上、中、下)并证明了如果Ai满足WPG,则分块后也满足

3、在原来使用 恢复误差最小 来进行判别的基础上,增加了稀疏比重(如i类非零值2个,共有10个非零值,则2/10,越小,越表示属于哪一类)最后相乘d3=d1*d2。

由于分块

,所以进行投票


实验结果:


这个实验结果算是比较好的,他敢与QMUL对比,那说明确实不错的。QMUL即Bashir提出的监督、非监督的方法来选出像素点(特征)实验的方法。



### 大型视觉模型在步态表示学习中的应用 #### BigGait:利用大型视觉模型进行步态表示的学习与实现 近年来,随着计算机视觉技术的发展,基于深度学习的大规模视觉模型逐渐被应用于各种生物特征识别领域,其中包括步态识别。这些大规模视觉模型能够捕捉到更复杂的空间结构和时间动态特性。 为了提高跨视角下的步态识别性能,研究人员探索了多种方法来增强模型对于不同角度下人体运动模式的理解能力。一种有效的方式是采用多任务生成对抗网络(MTGAN),该架构不仅可以在单个框架内完成多个子任务的同时优化,还能够在不同的视图之间共享有用的表征信息[^1]。 此外,在构建高质量的数据输入方面也进行了创新尝试。例如引入周期能量图像(PEI)作为改进版的步态模板形式,相较于传统的灰度编码图像(GEI)和其他同类方案,它能更好地保留时空维度的信息量。 具体来说,BigGait项目旨在开发一套完整的解决方案用于高效地提取并分析个体行走姿态特征: - **数据预处理**:收集来自不同环境条件下的视频片段,并将其转换成适合喂入神经网络的形式; - **模型设计**:选用先进的卷积神经网络(CNN)或Transformer变体作为骨干网路部分; - **训练策略**:实施迁移学习机制以便充分利用已有的大规模通用物体检测/分类数据集资源; - **评估体系**:建立严格的测试流程以验证算法的有效性和鲁棒性。 ```python import torch from torchvision import transforms, datasets from biggait.models import BigGaitModel transform = transforms.Compose([ transforms.Resize((224, 224)), transforms.ToTensor(), ]) dataset = datasets.ImageFolder(root='path/to/dataset', transform=transform) model = BigGaitModel(pretrained=True).cuda() for images, labels in dataset: outputs = model(images.cuda()) ```
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值