論文の概要: OpenGait: Revisiting Gait Recognition Toward Better Practicality

• arxiv url: http://arxiv.org/abs/2211.06597v1
• Date: Sat, 12 Nov 2022 07:24:29 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-15 18:08:39.415759
• Title: OpenGait: Revisiting Gait Recognition Toward Better Practicality
• Title（参考訳）: OpenGait: より良い実践性に向けた歩行認識の再考
• Authors: Chao Fan and Junhao Liang and Chuanfu Shen and Saihui Hou and Yongzhen Huang and Shiqi Yu
• Abstract要約: われわれはまずOpenGaitというフレキシブルで効率的な歩行認識を開発した。 これらの発見に触発されて、構造的にシンプルで、経験的に強力で、事実上堅牢なベースラインモデルであるGaitBaseを開発した。
• 参考スコア（独自算出の注目度）: 19.998635762435878
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Gait recognition is one of the most important long-distance identification technologies and increasingly gains popularity in both research and industry communities. Although significant progress has been made in indoor datasets, much evidence shows that gait recognition techniques perform poorly in the wild. More importantly, we also find that many conclusions from prior works change with the evaluation datasets. Therefore, the more critical goal of this paper is to present a comprehensive benchmark study for better practicality rather than only a particular model for better performance. To this end, we first develop a flexible and efficient gait recognition codebase named OpenGait. Based on OpenGait, we deeply revisit the recent development of gait recognition by re-conducting the ablative experiments. Encouragingly, we find many hidden troubles of prior works and new insights for future research. Inspired by these discoveries, we develop a structurally simple, empirically powerful and practically robust baseline model, GaitBase. Experimentally, we comprehensively compare GaitBase with many current gait recognition methods on multiple public datasets, and the results reflect that GaitBase achieves significantly strong performance in most cases regardless of indoor or outdoor situations. The source code is available at \url{https://github.com/ShiqiYu/OpenGait}.
• Abstract（参考訳）: 歩行認識は長距離識別技術の中でも最も重要な技術であり、研究と産業の両方で人気が高まっている。 屋内のデータセットでは大きな進歩があったが、多くの証拠は歩行認識技術が野生では不十分であることを示している。 さらに重要なことは、事前の作業からの結論が評価データセットによって変わることです。 したがって,本論文のより重要な目標は,特定のモデルに限らず,より実践性の高い総合的なベンチマーク研究を行うことである。 そこで我々はまず,OpenGaitという,柔軟かつ効率的な歩行認識コードベースを開発した。 OpenGaitをベースとして,最近の歩行認識の発達を,アブレーション実験の再実施によって深く再考する。 引き続き、先行研究の隠れた問題や、今後の研究への新たな洞察を見出す。 これらの発見に触発されて、構造的にシンプルで、経験的に強力で、事実上堅牢なベースラインモデルであるGaitBaseを開発した。 実験として,複数の公開データセット上で,現在行われている多くの歩行認識手法とgaitbaseを包括的に比較し,その結果から,gaitbaseは屋内や屋外の状況によらず,ほとんどのケースで著しく高い性能を達成していることが示唆された。 ソースコードは \url{https://github.com/shiqiyu/opengait} で入手できる。

関連論文リスト

• OpenGait: A Comprehensive Benchmark Study for Gait Recognition towards Better Practicality [11.64292241875791]
  われわれはまず,フレキシブルで効率的な歩行認識プラットフォームOpenGaitを開発した。 また,OpenGaitを基盤として,近年の歩行認識の進展を再考するため,詳細なアブレーション実験を実施している。 これらの知見にインスパイアされ、構造的に単純だが経験的に強力で実用的に堅牢なベースラインモデル3つを開発した。
  論文  参考訳（メタデータ） (2024-05-15T07:11:12Z)
• Distillation-guided Representation Learning for Unconstrained Gait Recognition [50.0533243584942]
  本研究では,屋外シナリオにおける人間認証のためのGADER(GAit Detection and Recognition)フレームワークを提案する。 GADERは、歩行情報を含むフレームのみを使用する新しい歩行認識手法により識別的特徴を構築する。 室内および屋外のデータセットに一貫した改善を示すため,複数の歩行ベースライン(SoTA)について評価を行った。
  論文  参考訳（メタデータ） (2023-07-27T01:53:57Z)
• Exploring Deep Models for Practical Gait Recognition [11.185716724976414]
  我々は、最先端の屋外歩行認識のための深層モデルの構築方法について、統一的な視点を示す。 具体的には、浅い歩行モデルのステレオタイプに挑戦し、明示的な時間的モデリングの優位性を実証する。 提案されたCNNベースのDeepGaitV2シリーズとTransformerベースのSwinGaitシリーズは、Gait3DとGREWで大幅に性能が向上した。
  論文  参考訳（メタデータ） (2023-03-06T17:19:28Z)
• Performance of different machine learning methods on activity recognition and pose estimation datasets [0.0]
  本稿では、リッチポーズ推定(OpenPose)とHARデータセットにおける古典的アプローチとアンサンブルアプローチを用いる。 その結果,無作為林はADLの分類において最も正確であることが示唆された。 相対的にすべてのモデルは、ロジスティック回帰とAdaBoostを除いて、両方のデータセットで優れたパフォーマンスを持つ。
  論文  参考訳（メタデータ） (2022-10-19T02:07:43Z)
• OpenMixup: Open Mixup Toolbox and Benchmark for Visual Representation Learning [53.57075147367114]
  視覚表現学習のための最初のミックスアップ拡張とベンチマークであるOpenMixupを紹介する。 私たちは、スクラッチから18の代表的なミックスアップベースラインをトレーニングし、11の画像データセットでそれらを厳格に評価します。 また、人気のあるビジョンバックボーン、最適化戦略、分析ツールキットのコレクションを含むモジュラーバックボーンをオープンソースにしています。
  論文  参考訳（メタデータ） (2022-09-11T12:46:01Z)
• DataPerf: Benchmarks for Data-Centric AI Development [81.03754002516862]
  DataPerfは、MLデータセットとデータ中心アルゴリズムを評価するための、コミュニティ主導のベンチマークスイートである。 私たちは、この反復的な開発をサポートするために、複数の課題を抱えたオープンなオンラインプラットフォームを提供しています。 ベンチマーク、オンライン評価プラットフォーム、ベースライン実装はオープンソースである。
  論文  参考訳（メタデータ） (2022-07-20T17:47:54Z)
• Learning Gait Representation from Massive Unlabelled Walking Videos: A Benchmark [11.948554539954673]
  コントラスト学習を伴う歩行認識のための大規模自己教師付きベンチマークを提案する。 1.02万個の歩行シーケンスからなる大規模歩行データセットGaitLU-1Mを収集した。 そこで我々は, CASIA-B, OU-M, GREW, Gait3D の4つの広く使用されている歩行指標を用いて, 事前学習モデルの評価を行った。
  論文  参考訳（メタデータ） (2022-06-28T12:33:42Z)
• Benchmarking Node Outlier Detection on Graphs [90.29966986023403]
  グラフの外れ値検出は、多くのアプリケーションにおいて、新しいが重要な機械学習タスクである。 UNODと呼ばれるグラフに対して、最初の包括的教師なしノード外乱検出ベンチマークを示す。
  論文  参考訳（メタデータ） (2022-06-21T01:46:38Z)
• Gait Recognition in the Wild: A Large-scale Benchmark and NAS-based Baseline [95.88825497452716]
  歩行ベンチマークにより、研究コミュニティは高性能歩行認識システムの訓練と評価を行うことができる。 GREWは、野生における歩行認識のための最初の大規模データセットである。 SPOSGaitはNASベースの最初の歩行認識モデルである。
  論文  参考訳（メタデータ） (2022-05-05T14:57:39Z)
• Bag of Tricks for Training Deeper Graph Neural Networks: A Comprehensive Benchmark Study [100.27567794045045]
  ディープグラフニューラルネットワーク(GNN)のトレーニングは、非常に難しい。 我々は、深層GNNの「トリック」を評価するための最初の公正かつ再現可能なベンチマークを示す。
  論文  参考訳（メタデータ） (2021-08-24T05:00:37Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。