步态识别中的属性分析与泛化能力研究

报告人简介:

   黄延，2021年悉尼科技大学博士毕业，现任中科院自动化所模式识别实验室博士后研究员（合作导师：王亮研究员，IEEE Fellow）。博后在站期间，获得“中科院特别研究助理”、“博士后国际交流计划引进项目”、“博士后站中特别资助”、“国家自然青年基金”等资助。共发表学术论文30余篇，包括计算机视觉顶级期刊IJCV、计算机视觉顶级会议ICCV等多篇第一作者论文，以及CCF-A类期刊IEEE Trans. Image Processing、IEEE   Trans.Information Forensics and Security、CCF-B类期刊IEEE Trans. Multimedia、IEEE Trans. CSVT等多篇国际权威学术刊物论文。授权国家发明专利2项。主要研究方向为复杂场景下的行人重识别、步态识别、行人属性识别等。

报告摘要:

  步态识别作为计算机视觉领域的经典研究，在安防和智能监控中扮演着重要角色。近年来，步态属性识别成为步态识别的新研究方向。步态属性能提供更丰富、细致的行人运动语义信息描述，对于构建智能步态分析系统至关重要。我们创造了一个名为多属性步态（MA-Gait）的新数据集，包含95个受试者、12个相机视角和16个标记属性。引入了多尺度运动编码器（MSME）和属性引导特征选择模块（AGFSM），用于提取稳健的运动特征和自适应地捕获不同属性的最具有判别性的特征。在新数据集上，我们取得了最佳的步态属性识别准确率，并通过定量和定性评估验证了其有效性。其次，在步态识别领域，具有泛化性的步态识别系统是一个尚未关注的问题。由于步态数据领域的多样性，现有全监督模型在未见领域中的泛化能力较差。因此，我们提出了渐进子域信息挖掘（PSIM）框架，通过无监督聚类从单一大规模源领域挖掘子域信息，并引入域信息缓解损失和域同质化损失来提高模型对未见领域的泛化能力。PSIM框架是模型无关的，能够直接提升现有最先进步态识别模型的泛化性能，同时不增加过多复杂性。这两个工作为步态识别领域带来了新的研究方向。MA-Gait数据集丰富了步态属性识别的研究，MSME和AGFSM技术提高了步态属性识别的准确率。同时，PSIM框架为步态识别模型的泛化能力提供了新的解决方案。通过进一步推进步态属性识别和泛化步态识别研究，有望推动智能步态分析系统的发展和实际应用。