TraND：无监督跨域步态识别的可转移邻域发现

重磅干货，第一时间送达

小白导读

论文是学术研究的精华和未来发展的明灯。小白决心每天为大家带来经典或者最新论文的解读和分享，旨在帮助各位读者快速了解论文内容。个人能力有限，理解难免出现偏差，建议对文章内容感兴趣的读者，一定要下载原文，了解具体内容。

摘要

步态，即人体肢体在运动过程中的运动模式，是一种很有前途的生物识别方法。尽管深度学习在步态识别方面取得了显著的进步，但现有的研究仍然忽视了一种更实用但更具挑战性的无监督跨域步态识别方案，该方案旨在在标记数据集上学习模型，然后将其适应于未标记数据集。由于域偏移和类间的差异，将一个源数据集上训练的模型直接应用到其他目标数据集上通常会得到很差的结果。为此，本文提出了一种可转移邻域发现(TraND)框架来弥补无监督跨域步态识别的域间隙。为了学习有效的步态先验知识，作者首先采用有监督的方式在标记的源数据上预先训练骨干网。然后设计了一种端到端可训练的方法来自动发现潜在空间中未标记样本的自信邻域。在训练过程中，根据样本的熵值，采用类一致性指标来选择可信邻域。此外，作者还探索了一种高熵优先近邻选择策略，该策略可以有效地将先验知识转移到目标域。作者的方法在CASIA-B和OU-LP两个公共数据集上取得了最先进的结果。

论文创新点

本文的贡献包括:

  • 作者在无监督跨域步态识别方面做了第一次尝试，这是一个有价值的但尚未被探索的任务;

  • 设计了一种学习可转移表示的TraND框架，通过自动邻域发现来缩小数据集之间的域差距;

  • 作者的方法在CASIA-B两个大规模数据集上获得了最先进的结果。

框架结构

可转移邻居发现框架的总体框架

实验结果

(a) CASIA-B数据集中一个人在不同条件和观点下的步态序列。(b)在OU-LP数据集中，从四个视点捕获一个人的步态序列。

CASIA-B (CA)和OU- lp (OU)数据集的RANK-1 (RANK-1不包括括号中的相同视图)结果。

结论

在这篇论文中，作者利用TraND框架对无监督跨域步态识别进行了首次探索。在TraND中，作者首先采用一个强大的骨干网从标记的源数据中学习先验知识。然后将未标记的目标样本映射到训练主干支持的特征空间中。作者采用类别一致性指标和高熵优先策略逐步选择自信邻域，利用锚邻域损失对模型进行优化。最后，在两个公共数据集上的TraND实验结果表明了该方法的有效性。

论文链接：https://arxiv.org/pdf/2102.04621.pdf

每日坚持论文分享不易，如果喜欢我们的内容，希望可以推荐或者转发给周围的同学。

- END -

#投 稿 通 道#

赞 (0)

相关推荐