이 논문은 무감독 보행 인식(Unsupervised Gait Recognition, UGR) 문제를 다룹니다. UGR은 레이블이 없는 데이터셋에서 보행 인식 모델을 학습하는 것을 목표로 합니다.
저자들은 먼저 클러스터 기반의 대조 학습 방법을 UGR 문제에 적용하는 기본 프레임워크를 제안합니다. 그러나 이 기본 프레임워크에는 두 가지 주요 문제가 있습니다:
이를 해결하기 위해 저자들은 선별적 융합(Selective Fusion) 기법을 제안합니다. 선별적 클러스터 융합(Selective Cluster Fusion, SCF)은 서로 다른 의복 조건의 데이터를 융합하고, 선별적 샘플 융합(Selective Sample Fusion, SSF)은 전면/후면 보기 조건의 데이터를 점진적으로 융합합니다.
실험 결과, 제안한 선별적 융합 기법은 기본 프레임워크 대비 CASIA-BN 데이터셋에서 CL 조건의 rank-1 정확도를 9.7% 향상시켰고, GaitGL 백본에서는 17.2% 향상시켰습니다. 또한 Outdoor-Gait와 GREW 데이터셋에서도 성능 향상을 보였습니다. 이를 통해 제안 기법의 효과와 일반화 능력을 확인할 수 있습니다.
Egy másik nyelvre
a forrásanyagból
arxiv.org
Mélyebb kérdések