（ICCV-2021）通过有效的全局-局部特征表示和局部时间聚合进行步态识别

Posted 2022-07-13 wx5cbd4315aefc1

3. Proposed Method

---

在本节中，首先概述了所提出方法的框架。然后描述了所提出方法的关键组件，包括局部时间聚合(LTA)、全局和局部特征提取器 (GLFE) 和广义均值(GeM)池化层。最后，介绍了训练和测试的细节。

---

3.1. Overview

所提出方法的概述如图1所示，其目的是为步态识别提取更全面的特征表示，包括三个关键组成部分。首先，使用卷积从原始输入序列中提取浅层特征。接下来，局部时间聚合（LTA）操作被设计用来聚合时间信息，并保留更多的空间信息进行权衡。之后，用全局和局部特征提取器（GLFE）来提取融合全局和局部信息的组合特征。然后，利用时间池化和 GeM 池化层来实现特征映射。最后，选择三元组损失和交叉熵损失来训练所提出的模型。

---

3.2. Local Temporal Aggregation

以前的工作使用特定模式“CL-SP-CL-SP-CL”来提取特征，其中 CL 表示卷积层，SP 表示空间池化层。然而，空间信息可能会因 SP 下采样操作而丢失。考虑到步态序列中的时间信息是周期性的，提出了LTA操作来代替第一个空间池化层，它可以整合局部剪辑的时间信息并保留更多的空间信息。

假设是局部时间聚合的输入，其是通道数，是步态序列的长度,以上是关于（ICCV-2021）通过有效的全局-局部特征表示和局部时间聚合进行步态识别的主要内容，如果未能解决你的问题，请参考以下文章

（ICCV-2021）用于步态识别的3D局部卷积神经网络

（ICCV-2021）用于步态识别的3D局部卷积神经网络

ICCV 2021 | R-MSFM: 用于单目深度估计的循环多尺度特征调制

（ICCV-2021）用于步态识别的上下文敏感时间特征学习

ICCV 2021 | 表现SOTA！CurveNet：面向点云几何形状的长距离特征提取网络

ICCV 2021 最新200篇ICCV2021论文分方向汇总