（ICCV-2021）用于步态识别的上下文敏感时间特征学习

Posted 2022-07-13 wx5cbd4315aefc1

Experiments

---

4.1. Datasets and Evaluation Metrics.

---

在两个标准数据集上进行实验，即CASIA-B[30]和OU-MVLP[24]，以验证本文方法的优越性。此外，在 CASIA-B 上进行了消融实验，以证明本文方法中每个模块的积极影响。

CASIA-B. CASIA-B由124个目标组成，每个目标包含110个序列，有11个不同的摄像机视角。在每个摄像机视角下，每个目标包含三种行走状态，即正常（NM）（6 个序列）、携包（BG）（2 个序列）和穿外套（CL）（2 个序列）。在训练和测试阶段，遵循 [29] 中的协议。前 74 名目标的样本被视为训练集，其余 50 名目标被视为测试集。在测试阶段，将每个目标NM条件下的前4个序列作为注册集，将每个受试者的其余6个序列作为验证集，包括2个NM序列、2个BG序列和2个CL序列。

OU-MVLP. OU-MVLP由10307个目标组成。每个目标包含28个序列，有14个摄像机视角，因此每个目标的每个视角包含2个序列（索引’01’和’02’）。前 5153 个目标用于训练，其余 5154 个目标用于测试。特别是，索引为’01’的序列被视为测试阶段的gallery，索引为’02’的序列被视为测试阶段的probe。

Implementation Details

---

Hyper-parameters. 1）在 CASIAB和OU-MVLP数据集上分别将的值（一次迭代中的训练样本数）设置为 64 和 256。2）（输入帧数）和K（部分划分数）的值分别设置为30和32。的消融实验附在补充材料中。3) 对于CASIA-B和OU-MVLP数据集，图 3 所示的 FC 的输出通道数分别设置为 256 和 512。4) 所有 MLP 遵循：FC(c,c/16)->ReLU()->FC(c/16,c)。 ATA 中的两个 FC 是 FC(c,c/16) 和 FC(c/16,c)。

Training Details. 1）每一帧都像[24]那样对齐，将每一帧调整为64×44或128×88的大小。对于每个输入序列，遵循[6]的帧采样策略。2) 应用单独的三元组损失来训练本文的网络。训练的批大小记为，其中表示采样目标的数量，表示每个目标的采样序列数。特别的，在 CASIAB 上将设置为（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）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

读《基于深度学习的跨视角步态识别算法研究》

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

MATLAB教程案例54Alexnet网络的MATLAB编程学习和实现，以步态识别为例进行仿真分析