Esplorazione dei trasformatori visivi autocontrollati per il riconoscimento dell'andatura in natura, parte 3

Usiamo un semplice upsample per interpolare tra giunti vicini (Figura 3). Tuttavia, farlo ingenuamente sullo scheletro provoca giunti spuri attraverso lo scheletro, indipendentemente dalla scelta dei formati dello scheletro (ad esempio, OpenPose o COCO), poiché l'ordinamento dei giunti non preserva alcun significato semantico.

La sequenza articolare si riferisce al movimento delle articolazioni del corpo in un determinato ordine. Questo tipo di esercizio svolge un ruolo importante nel mantenimento della salute fisica e nel miglioramento della memoria del corpo.

Prima di tutto, il sequenziamento articolare può promuovere il movimento coordinato di varie parti del corpo, aumentare la forza muscolare e migliorare la funzione cardiopolmonare, il che aiuta a mantenere una buona salute. Allo stesso tempo, un allineamento regolare delle articolazioni può ridurre la rigidità e il dolore del corpo, migliorare la postura e l’equilibrio e ritardare il declino della funzione fisica causato dall’età.

In secondo luogo, il sequenziamento congiunto può anche migliorare la memoria. La ricerca mostra che l’esercizio può stimolare la crescita e le connessioni dei neuroni cerebrali, promuovendo così lo scambio di informazioni tra i neuroni, che può aiutare a migliorare la memoria e le capacità di apprendimento. Il movimento sequenziale delle articolazioni richiede che il cervello dia istruzioni precise per i movimenti delle varie parti del corpo, il che è di grande aiuto per lo sviluppo della coordinazione e delle capacità di memoria del cervello.

Infine, il sequenziamento congiunto può anche alleviare lo stress e l’ansia e migliorare la stabilità emotiva. L’esercizio fisico può rilasciare alcune sostanze nel corpo, come la dopamina e le endorfine, che possono aiutare ad alleviare i problemi emotivi e migliorare il senso di felicità e soddisfazione del corpo. Questi fattori hanno anche un impatto positivo sul miglioramento della memoria.

In sintesi, esiste una relazione positiva tra sequenziamento congiunto e memoria. Attraverso regolari esercizi di sequenziamento congiunto, puoi promuovere uno sviluppo sano del corpo e del cervello, migliorare la memoria e le capacità di apprendimento e migliorare la stabilità emotiva. Prestiamo attenzione alla buona salute e godiamoci la bellezza della vita insieme! Si può vedere che abbiamo bisogno di migliorare la memoria, e la Cistanche deserticola può migliorare significativamente la memoria perché la Cistanche deserticola è un materiale medicinale tradizionale cinese che ha molti effetti unici, uno dei quali è quello di migliorare la memoria. L'efficacia della carne macinata deriva dai vari principi attivi che contiene, tra cui acidi, polisaccaridi, flavonoidi, ecc. Questi ingredienti possono favorire la salute del cervello in vari modi.

Fare clic su Scopri gli integratori per migliorare la memoria

Questa osservazione è in linea con il lavoro di Yang et al. [44], che propone un'immagine dello scheletro della struttura ad albero (TSSI) per proporre le relazioni spaziali tra i giunti. Si basa su un ordinamento dei giunti trasversale all'albero in profondità, che preserva le informazioni strutturali dello scheletro. La Figura 3 (a destra) mostra gli effetti dei diversi formati skeleton e dei metodi di upsample. Per questo metodo di ridimensionamento abbiamo utilizzato il formato TSSI e l'interpolazione bicubica.

Inoltre, abbiamo sperimentato due metodi di upscaling, che potevano essere appresi durante la formazione. Abbiamo utilizzato un semplice strato lineare applicato su ciascuno scheletro appiattito per aumentare il numero di articolazioni. Questo è il modo più semplice per trasformare ogni scheletro, ma non tiene conto delle relazioni spaziali tra le articolazioni. Per risolvere questo problema, utilizziamo anche una serie di strati deconvoluzionali 2D sulla sequenza dello scheletro per il ridimensionamento, tenendo conto anche delle informazioni strutturali; per questo metodo utilizziamo anche il formato TSSI.

La tabella 1 mostra i risultati per ciascun metodo di ridimensionamento per tutte le architetture. I modelli sono stati addestrati e valutati su CASIA-B per 200 epoche e mostriamo risultati per la deambulazione normale. Per il resto dei nostri esperimenti, abbiamo scelto di sovracampionare la sequenza dello scheletro con l'interpolazione bicubica.

Sebbene esistano diverse possibili procedure di pre-allenamento autocontrollato, abbiamo optato per un approccio di pre-allenamento contrastante poiché è la stessa procedura per l'effettivo compito di recupero del riconoscimento dell'andatura. Gli approcci contrastivi incoraggiano le rappresentazioni appartenenti alla stessa classe a essere vicine nello spazio latente, pur essendo allo stesso tempo distanti dalle rappresentazioni appartenenti a classi diverse.

In particolare, utilizziamo il contrasto supervisionato [45] per il pre-training. La perdita SupCon opera su un batch multi-visualizzazione: ogni campione nel batch ha più versioni aumentate di se stesso. È stato dimostrato che è naturalmente più resistente alla corruzione dei dati, allevia la necessità di un'attenta selezione delle terzine poiché il gradiente incoraggia l'apprendimento da esempi difficili ed è meno sensibile agli iperparametri.

3.4. Aumento dei dati

L'addestramento in modalità contrastiva autocontrollata con perdita SupCon implica l'uso dell'aumento dei dati per fornire più "viste" aumentate della stessa sequenza di scheletro. Gli aumenti utilizzati per le nostre sequenze di scheletri che camminano sono in linea con altri lavori in quest'area [10,12, 30]. L'aumento principale utilizzato è il ritaglio temporale casuale con una lunghezza del periodo di T=64 fotogrammi.

Dato che gli scheletri vengono tracciati per una durata di tempo variabile, utilizziamo il ritaglio per garantire che tutte le sequenze abbiano la stessa lunghezza. Inoltre, una persona che cammina potrebbe cambiare direzione ed eseguire altre azioni durante la durata tracciata; di conseguenza, il ritaglio induce una maggiore variabilità per la stessa sequenza.

Inoltre, modifichiamo il ritmo della camminata rallentando o accelerando la camminata. Abbiamo utilizzato i modificatori di velocità di {{{0}}.5, 0.75, 1, 1.25, 1.5, 1.75, 2.0}. Questo è adattato dal lavoro di Wang et al. [48] ​​per l'apprendimento autosupervisionato di rappresentazioni video. Inoltre, in passato la modificazione del ritmo è stata utilizzata nell’analisi del cammino [33].

Usiamo anche l'inversione casuale con una probabilità di {{0}}.5, inversione di sequenza con probabilità di 0.5, rumore gaussiano additivo per ciascun giunto con σ=0.005, e eliminazione casuale del 5% dei giunti con una probabilità di 0,01 per simulare i giunti mancanti dal modello di stima della posa.

3.5. Metodi di inizializzazione

Per valutare l'impatto delle prestazioni di pre-addestramento autosupervisionato sulle architetture proposte, esploriamo tre diversi metodi di inizializzazione. La tabella 2 mostra i vari set di dati utilizzati in letteratura. Mentre CASIA-B [6] e FVG[29] sono set di dati controllati, utilizzati principalmente per la valutazione, utilizziamo DenseGait [12] e GREW [7] per il pre-addestramento autosuperato per le cinque architetture. DenseGait e GREW sono due dei più grandi database di andature realistiche, raccolti in ambienti esterni, che presumibilmente contengono la maggior parte delle variazioni, dei comportamenti e delle complessità dell'andatura presenti nella vita di tutti i giorni. Scegliamo questi set di dati per avere rappresentazioni dell'andatura più generali, per consentire l'autenticazione dell'andatura in scenari di sorveglianza generale.

DenseGait Pretraining DenseGait è un set di dati sull'andatura "in the wild" su larga scala raccolto automaticamente dai flussi di sorveglianza. Contiene 217.000 sequenze di scheletri tracciati, estratte utilizzando AlphaPose [22], in vari ambienti e angolazioni di ripresa da più posizioni geografiche. Poiché DenseGait viene raccolto automaticamente, le sue annotazioni in termini di identificatore di tracciamento sono rumorose e il set di dati potrebbe contenere sequenze sullo stesso argomento, sebbene ciò sia un evento raro. Tuttavia, questo è il caso della maggior parte dei set di dati senza etichetta su larga scala che contengono campioni appartenenti alla stessa classe semantica, considerata non correlata durante l'addestramento. Pre-addestriamo ciascuna architettura su DenseGait e utilizziamo i parametri addestrati per un'ulteriore valutazione delle prestazioni a valle dei set di dati controllati.

GREW Preallenamento GREW è un altro set di dati outdoor "in the wild", ma è annotato attentamente in modo tale da contenere soggetti che camminano per più giorni e diversi tipi di abbigliamento. Tuttavia, per conformarsi ai requisiti del regime di autocontrollo, scartiamo le annotazioni e trattiamo ciascuna sequenza di camminata come una persona separata. GREW è 2 volte più piccolo di DenseGait, contiene 128.000 sequenze scheletriche, pur avendo ogni pedone tracciato per una durata media inferiore [12]. Inoltre addestriamo ciascuna architettura su GREW e utilizziamo i parametri addestrati per la valutazione delle prestazioni a valle.

Inizializzazione casuale Questo metodo di inizializzazione non corrisponde all'addestramento preliminare (ovvero all'addestramento da zero). Ogni architettura viene addestrata con l'inizializzazione del peso casuale sui set di dati downstream. Questo metodo costituisce una base per confrontare i miglioramenti prestazionali derivanti dal pre-allenamento.

3.6. Valutazione

Le prestazioni del compito a valle vengono valutate in due modi diversi per il riconoscimento dell'andatura. Testiamo direttamente le capacità di recupero di architetture pre-addestrate, senza messa a punto per un'attività specifica. Questo metodo corrisponde al trasferimento zero-shot. Inoltre, perfezioniamo ciascuna architettura utilizzando un tasso di apprendimento 10 volte più piccolo rispetto al pre-addestramento, con un tasso di apprendimento progressivamente più piccolo all'inizio della rete, corrispondente alla politica di decadimento del tasso di apprendimento a livello di livello (LLRD) [50].

La valutazione delle prestazioni a valle viene eseguita su due popolari set di dati di riconoscimento dell'andatura: CASIA-B [6] e FVG [29]. Entrambi i set di dati presentano un numero limitato di soggetti sottoposti a rigidi protocolli di camminata, controllati su vari fattori di confusione: angolazione della telecamera, abbigliamento, accessori e velocità di camminata.

CASIA-B è un set di dati indoor contenente 124 soggetti catturati da 11 telecamere sincronizzate. Ogni individuo cammina in tre diverse condizioni: camminata normale, cambio di vestiti e trasporto di borse. Fin dal suo rilascio, è stato un punto fermo per il benchmarking dei modelli di gaitanalisi, essendo uno dei set di dati più utilizzati in quest'area. Utilizziamo i primi 62 soggetti come set formativo e il resto dei 62 per la valutazione delle prestazioni. Per il riconoscimento dell'andatura, scegliamo di valutare le prestazioni in base all'angolo in un'impostazione "leave-one-out", in cui il set della galleria contiene tutti gli angoli di camminata tranne l'angolo della sonda.

Front-View Gait è un altro set di dati popolare per il riconoscimento dell'andatura, con 226 soggetti che camminano all'aperto secondo vari protocolli. Diversamente da CASIA-B, il FVG presenta ulteriori fattori di confondimento: velocità di camminata, sfondo disordinato e passare del tempo (ad esempio, alcuni soggetti hanno registrato passeggiate che durano un anno). Inoltre, tutti i soggetti vengono catturati con un'angolazione della telecamera frontale, che è considerata l'angolazione più difficile per il riconoscimento dell'andatura poiché contiene la minima quantità di variazione del movimento articolare percepita. Abbiamo utilizzato i primi 136 soggetti per la formazione e il resto per la valutazione delle prestazioni. La valutazione delle prestazioni per il riconoscimento dell'andatura aderisce ai protocolli delineati dagli autori, in cui utilizziamo la normale sequenza di camminata nel set della galleria e le altre condizioni nel set della sonda.

Per tutti gli scenari di valutazione, utilizziamo il ritaglio deterministico al centro della sequenza di camminata e non utilizziamo alcun aumento del tempo di test.

4. Esperimenti e risultati

4.1. Valutazione di CASIA-B

Pre-addestriamo ciascuna architettura rispettivamente su DenseGait e GREW e valutiamo le prestazioni su CASIA-B e FVG. Nella prima serie di esperimenti, siamo interessati a valutare le prestazioni di CASIA-B in uno scenario di messa a punto dopo il pre-allenamento, con campioni di addestramento progressivamente più grandi. Abbiamo addestrato ciascuna rete sulle prime 62 identità, con tutte le varianti di camminata disponibili, e abbiamo conservato il resto per i test. La valutazione del riconoscimento è stata eseguita utilizzando i primi 4 campioni di camminata normale come set da galleria e i restanti come set di sonde. La Figura 4 mostra la precisione per ciascuna delle tre variazioni di camminata (normale—NM, abbigliamento—CLm e borsa per il trasporto—BG) per CASIA-B. Per questo scenario, abbiamo campionato casualmente K={1, 2, 3, 5, 7, 10} passeggiate per soggetto, per angolo e addestrato il modello. Sebbene le prestazioni siano relativamente simili tra le architetture, è chiaro che il preaddestramento offre un aumento significativo delle prestazioni rispetto all'inizializzazione casuale, indipendentemente dalla scelta del set di dati di preaddestramento.

Inoltre, SimpleViT, CrossFormer e Twins-SVT sembrano avere prestazioni elevate simili, mentre Token2Token è leggermente in ritardo. Ciò suggerisce che il metodo di tokenizzazione progressiva utilizzato in Token2Token, che è stato specificamente progettato per strutture simili a immagini, non cattura efficacemente le caratteristiche delle sequenze di andatura. C'è una differenza notevole tra i set di dati di preallenamento: DenseGait sembra offrire un aumento consistente delle prestazioni nelle due varianti di camminata (CL eBG) rispetto a GREW. Ciò è indicativo del fatto che DenseGait include scenari più impegnativi e realistici che preparano meglio il modello per condizioni in cui il modello di camminata è influenzato da fattori esterni.

Le architetture sono addestrate a mappare le sequenze di cammino in uno spazio di inclusione, dove la vicinanza tra i punti riflette la somiglianza delle sequenze di cammino corrispondenti. Ciò significa che gli incorporamenti di sequenze di andature invisibili della stessa identità dovrebbero essere vicini l'uno all'altro nello spazio di inclusione e formare cluster, mentre gli incorporamenti di identità diverse dovrebbero essere più lontani l'uno dall'altro e formare cluster distinti. Questo è importante in quanto consente al modello di generalizzare a sequenze di andatura invisibili e di identificare accuratamente l'individuo impiegando un approccio del vicino più vicino. Nella Figura 5, presentiamo il clustering per gli incorporamenti per ciascuna identità nel set di test di CASIA-Bdopo la riduzione della dimensionalità con t-SNE [51]. Abbiamo utilizzato il vettore di incorporamento 256-dimensionale e lo abbiamo proiettato in due dimensioni. SimpleViT e CrossFormer sembrano avere la migliore separazione delle identità, indipendentemente dal punto di vista della telecamera.

4.2. Valutazione del FVG

Allo stesso modo, abbiamo valutato le prestazioni di ciascuna architettura su FVG, che è qualitativamente diversa da CASIA-B, poiché contiene un solo angolo di visione. Perfezioniamo ogni rete preaddestrata su una frazione f={0.1, 0.2, 0.3, {{10 }}.5, 0.7, 1.0} delle 12 corse per persona nel set di allenamento. I risultati di ottimizzazione sono presentati nella Figura 6. I risultati seguono un andamento simile a quelli per CASIA-B: SimpleViT e CrossFormer hanno prestazioni costantemente elevate e l'uso di un set di dati di pre-addestramento è vantaggioso per le prestazioni a valle. Inoltre, il pre-allenamento su DenseGait sembra portare avanti un costante miglioramento della precisione. Come notato da Cosma e Radoi [12], DenseGait contiene soggetti tracciati per una durata più lunga, e questo fornisce una maggiore variazione nell'obiettivo di apprendimento contrastivo, simile al ritaglio casuale per il pre-addestramento autocontrollato per immagini naturali. Similmente ai risultati su CASIA-B, la variazione dell'abbigliamento è notevolmente in ritardo rispetto al normale scenario di camminata.

Nella Tabella 4 presentiamo risultati più dettagliati sul set di test del FVG tra modelli pre-addestrati, simili allo scenario CASIA-B. I risultati del pre-addestramento sono coerenti: il pre-addestramento su DenseGait è direttamente correlato al miglioramento della precisione a valle. Sebbene il pre-addestramento su entrambi i set di dati migliori le prestazioni in tutti gli scenari, il miglioramento è particolarmente significativo nello scenario CBG (Cluttered Background), che di solito consiste nell'avere più persone nel video, in modo simile a quanto ci si aspetterebbe in impostazioni realistiche. Questo miglioramento probabilmente deriva dal fatto che DenseGait e GREW sono stati raccolti in ambienti naturali e non controllati, rendendoli più realistici e stimolanti, preparando così meglio il modello per condizioni simili a quelle dello scenario CBG. La classifica tra i modelli è simile a CASIA-B: SimpleViT, CrossFormer e Twins-SVT superano costantemente CaiT e Token2Token. Sia per CASIA-B che per FVG, CaiT è leggermente in ritardo rispetto agli altri modelli.

4.3. Test di sensibilità spaziotemporale

Una particolarità dei trasformatori di visione è la scelta arbitraria delle dimensioni dei patch, che può rivelarsi cruciale nella performance finale. Nel caso dell'elaborazione delle immagini, le dimensioni delle patch non sono particolarmente importanti, a causa dell'invarianza traslazionale del contenuto semantico di un'immagine.

Per le sequenze scheletriche, tuttavia, le dimensioni della patch corrispondono a caratteristiche specifiche e interpretabili dell'input: l'altezza della patch rappresenta la quantità di informazioni spaziali contenute in una patch (cioè il numero di articolazioni scheletriche incluse), mentre le dimensioni temporali rappresentano la quantità di informazioni temporali incluse ( cioè il numero di fotogrammi). L'equilibrio tra i due dovrebbe essere attentamente considerato nell'uso di trasformatori di visione adattati per l'analisi dell'andatura. Nella Figura 7 mostriamo una mappa termica in cui ogni cella rappresenta la prestazione di un modello addestrato (inizializzato in modo casuale) su CASIA-B per la camminata normale. Addestriamo ciascun modello per 50 epoche per un confronto equo e per misurare la velocità di convergenza a un numero fisso di passaggi.
Abbiamo costruito due mappe di calore, una per SimpleViT e una per CaiT poiché hanno una struttura sottostante simile ed è semplice modificare le dimensioni delle patch. Lo stesso processo può essere eseguito per le altre architetture testate. Concludiamo che dimensioni di patch più piccole corrispondono a un aumento positivo delle prestazioni di modellazione per le sequenze di scheletro, mentre il compromesso tra dimensioni spaziali e temporali non è cruciale, poiché le prestazioni sono simili: la matrice della mappa di calore è abbastanza simmetrica rispetto alla seconda diagonale. Pertanto, dimensioni di patch quadrate più piccole come (2, 4) nelle dimensioni spaziali e temporali sono le migliori per questo compito, mentre dimensioni di patch più grandi come (32, 32) contengono troppo poche informazioni discriminanti. Tuttavia, le dimensioni delle patch più piccole aumentano semplicemente il numero di patch, il che richiede una maggiore potenza di calcolo. Per la nostra configurazione di due GPU NVIDIA RTX 3060, abbiamo segnalato errori di memoria insufficiente per alcune combinazioni di patch di dimensioni inferiori.

La ragione più probabile del miglioramento delle prestazioni con patch di dimensioni più piccole è che l'architettura può catturare meglio la complessità dello schema di camminata calcolando interazioni più complesse tra le patch. I cerotti con le dimensioni spaziali più grandi possibili e le dimensioni temporali più piccole possibili possono essere considerati rappresentazioni complete di scheletri, mentre i cerotti con le dimensioni temporali più grandi possibili e le dimensioni spaziali più piccole possibili catturano la totalità dei movimenti di una singola articolazione. Come si può osservare, la massima precisione si ottiene quando la dimensione del cerotto incorpora un equilibrio di informazioni spaziali e temporali, che corrispondono a piccoli movimenti di articolazioni strettamente connesse.

5. Discussione e Conclusioni

In questo lavoro, abbiamo fornito una valutazione completa di cinque varianti popolari del trasformatore di visione adattato per l'elaborazione di sequenze scheletriche. I nostri sforzi sono in linea con i recenti progressi nel deep learning per unificare essenzialmente le diverse modalità nell'ambito dell'architettura del trasformatore. Abbiamo proposto un metodo di upsampling spaziale per gli scheletri (bicubicupsampling con formato skeleton TSSI) per aumentare artificialmente il numero di giunti, in modo tale che la sequenza possa essere adeguatamente consumata dagli encoder del trasformatore. Inoltre, ciascuna architettura è stata addestrata secondo il paradigma dell'addestramento all'autosupervisione su due set di dati sull'andatura generali e su larga scala (ad esempio, DenseGait e GREW), e successivamente valutata su due set di dati per il riconoscimento dell'andatura in ambienti controllati (ad esempio, CASIA-B e FVG). Abbiamo scelto di adottare il paradigma dell'apprendimento autosupervisionato per ottenere caratteristiche generali dell'andatura, non vincolati a una particolare variazione della camminata o al punto di vista della telecamera.

I nostri risultati implicano la necessità di quantità elevate, alta qualità e set di dati diversificati per i modelli di analisi dell’andatura pre-allenamento. Abbiamo dimostrato che il pre-allenamento su DenseGait offre miglioramenti costanti di precisione rispetto a GREW, a causa dell'aumento delle dimensioni, del numero di variazioni e della durata media della camminata [12]. Il vantaggio più significativo, tuttavia, si riscontra nelle situazioni in cui la quantità di dati di addestramento disponibili è ridotta. I nostri risultati mostrano che l'addestramento da zero porta a risultati significativamente peggiori rispetto al perfezionamento anche con quantità modeste di dati (ad esempio, 10 sequenze per persona). Attualmente, la maggior parte degli approcci all’andatura vengono eseguiti all’interno di ambienti strettamente controllati, che non possono essere generalizzati alle complessità delle interazioni nel mondo reale. Diversi set di dati di addestramento sono cruciali per eseguire analisi comportamentali accurate in natura, soprattutto perché l’andatura è una caratteristica biometrica facilmente influenzabile da fattori ambientali esterni, nonché da componenti interne ed emotive.

Il nostro studio sull'ablazione mostra che patch spazio-temporali più piccole sono utili per ottenere risultati a valle migliori. Questa intuizione informa gli sviluppi futuri delle architetture per le sequenze di scheletri, che in precedenza si basavano sull'elaborazione di uno scheletro individuale su una singola patch [12].

Oltre agli sforzi simultanei per portare l’analisi dell’andatura in contesti realistici, il nostro lavoro consente inoltre la transizione dell’autenticazione dell’andatura e dell’analisi comportamentale da ambienti interni controllati a ambienti esterni del mondo reale. Il riconoscimento dell’andatura in natura diventerà onnipresente con lo sviluppo di sensori intelligenti e di architetture neurali efficienti che elaborano il comportamento guidato dal movimento in tempo reale.

Riferimenti

1. Kyeong, S.; Kim, SM; Jung, S.; Kim, DH Analisi del pattern dell'andatura e identificazione dei sottogruppi clinici: uno studio osservazionale retrospettivo. Medicina 2020, 99, e19555. [CrossRef] [PubMed]

2. Michalak, J.; Troje, NF; Fischer, J.; Vollmar, P.; Heidenreich, T.; Schulte, D. Incarnazione della tristezza e della depressione: modelli di andatura associati all'umore disforico. Psicosoma. Med. 2009, 71, 580–587. [CrossRef] [PubMed]

3. Willems,TM; Witvrouw, E.; De Cock, A.; De Clercq, D. Fattori di rischio legati all'andatura per il dolore alla parte inferiore della gamba correlato all'esercizio fisico durante la corsa con le scarpe. Med. Sci. Esercizio sportivo 2007, 39, 330–339. [CrossRef] [PubMed]

4. Singh, Giappone; Jain, S.; Arora, S.; Singh, UP Riconoscimento dell'andatura basato sulla visione: un sondaggio. Accesso IEEE 2018, 6, 70497–70527. [RifCroce]

5. Makihara, Y.; Nixon, MS; Riconoscimento Yagi, Y. Gait: database, rappresentazioni e applicazioni. Calcola. Vis. Rif. Guida 2020,1–13.

6. Yu, S.; Tan, D.; Tan, T. Un quadro per valutare l'effetto dell'angolo di visione, dell'abbigliamento e delle condizioni di trasporto sul riconoscimento dell'andatura. In Atti della 18a conferenza internazionale sul riconoscimento dei modelli (ICPR'06), Hong Kong, Cina, 20–24 agosto 2006; Volume 4, pp. 441–444.

7. Zhu, Z.; Guo, X.; Yang, T.; Huang, J.; Deng, J.; Huang, G.; Du, D.; Lu, J.; Zhou, J. Gait Riconoscimento in natura: un punto di riferimento. Atti della conferenza internazionale IEEE sulla visione artificiale (ICCV), Montreal, BC, Canada, 11–17 ottobre 2021.

8. Chao, H.; EHI.; Zhang, J.; Feng, J. Gaitset: Per quanto riguarda l'andatura come un set per il riconoscimento dell'andatura incrociata. In Atti della AAAIConference on Artificial Intelligence, Honolulu, HI, USA, 27 gennaio–1 febbraio 2019; Volume 33, pagine 8126–8133. 

9. Ventilatore, C.; Peng, Y.; Cao, C.; Liu, X.; Hou, S.; Chi, J.; Huang, Y.; Li, Q.; Lui, Z. Gaitpart: modello basato su parti temporali per il riconoscimento dell'andatura. Negli atti della conferenza IEEE/CVF sulla visione artificiale e il riconoscimento dei modelli, Seattle, WA, USA, 13–19 giugno 2020; pp. 14225–14233.

10. Cosma, A.; Radoi, IE WildGait: apprendimento delle rappresentazioni dell'andatura da flussi di sorveglianza grezzi. Sensori 2021, 21, 8387. [CrossRef][PubMed]

For more information:1950477648nn@gmail.com