論文の概要: GaitAdapt: Continual Learning for Evolving Gait Recognition

• arxiv url: http://arxiv.org/abs/2508.03375v1
• Date: Tue, 05 Aug 2025 12:26:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-06 18:18:55.955917
• Title: GaitAdapt: Continual Learning for Evolving Gait Recognition
• Title（参考訳）: GaitAdapt: 歩行認識の進化のための継続的な学習
• Authors: Jingjie Wang, Shunli Zhang, Xiang Wei, Senmao Tian,
• Abstract要約: 本稿では,歩行認識能力の段階的向上を支援する連続歩行認識タスクであるGaitAdaptを提案する。 また,歩行認識のための非再生連続学習手法であるGaitAdapterを提案する。 GitAdapterは、さまざまなタスクから取得した歩行知識を効果的に保持する。
• 参考スコア（独自算出の注目度）: 8.11771678547237
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Current gait recognition methodologies generally necessitate retraining when encountering new datasets. Nevertheless, retrained models frequently encounter difficulties in preserving knowledge from previous datasets, leading to a significant decline in performance on earlier test sets. To tackle these challenges, we present a continual gait recognition task, termed GaitAdapt, which supports the progressive enhancement of gait recognition capabilities over time and is systematically categorized according to various evaluation scenarios. Additionally, we propose GaitAdapter, a non-replay continual learning approach for gait recognition. This approach integrates the GaitPartition Adaptive Knowledge (GPAK) module, employing graph neural networks to aggregate common gait patterns from current data into a repository constructed from graph vectors. Subsequently, this repository is used to improve the discriminability of gait features in new tasks, thereby enhancing the model's ability to effectively recognize gait patterns. We also introduce a Euclidean Distance Stability Method (EDSN) based on negative pairs, which ensures that newly added gait samples from different classes maintain similar relative spatial distributions across both previous and current gait tasks, thereby alleviating the impact of task changes on the distinguishability of original domain features. Extensive evaluations demonstrate that GaitAdapter effectively retains gait knowledge acquired from diverse tasks, exhibiting markedly superior discriminative capability compared to alternative methods.
• Abstract（参考訳）: 現在の歩行認識手法は、新しいデータセットに遭遇する際には、通常、再訓練を必要とする。 それにもかかわらず、再訓練されたモデルは、以前のデータセットからの知識を保存するのにしばしば困難に遭遇し、初期のテストセットのパフォーマンスが大幅に低下した。 これらの課題に対処するため,GaitAdaptと呼ばれる連続歩行認識タスクを提案する。 さらに,歩行認識のための非再生連続学習手法であるGaitAdapterを提案する。 このアプローチは、GPAK(Gait Partition Adaptive Knowledge)モジュールを統合し、グラフニューラルネットワークを使用して、現在のデータから共通の歩行パターンを集約し、グラフベクトルから構築されたレポジトリに統合する。 その後、このリポジトリは、新しいタスクにおける歩行特徴の識別性を向上させるために使用され、これにより、歩行パターンを効果的に認識するモデルの能力を高める。 また,従来と現在の両方の歩行課題において,異なるクラスから新たに追加された歩行サンプルが類似した空間分布を維持していることを保証し,タスク変更が元のドメイン特徴の識別性に与える影響を緩和する,負のペアに基づくEDSN(Euclidean Distance Stability Method)を導入する。 大規模な評価では、GaitAdapterは様々なタスクから得られる歩行知識を効果的に保持し、代替手法に比べて識別能力が著しく優れていることが示されている。

関連論文リスト

• Towards Continuous Reuse of Graph Models via Holistic Memory Diversification [18.66123763295736]
  本稿では,より複雑なタスクを持つグラフの成長における漸進的学習の課題に対処する。 目標は、新しいタスクを処理するためにグラフモデルを継続的にトレーニングし、メモリリプレイによる以前のタスクの習熟性を維持することである。 既存の方法は、通常、以前のタスクから高品質なメモリを選択する際の制限として、メモリの多様性の重要性を見落としている。
  論文  参考訳（メタデータ） (2024-06-11T16:18:15Z)
• Auto-selected Knowledge Adapters for Lifelong Person Re-identification [54.42307214981537]
  Lifelong Person Re-Identificationは、異なる時間と場所にわたる重複しないデータセットから継続的に学習するシステムを必要とする。 リハーサルのない、あるいはリハーサルベースの既存のアプローチは、依然として破滅的な忘れ込みの問題に悩まされている。 本稿では,知識アダプタを採用した新しいフレームワークであるAdalReIDと,生涯学習のためのパラメータフリー自動選択機構を提案する。
  論文  参考訳（メタデータ） (2024-05-29T11:42:02Z)
• Class incremental learning with probability dampening and cascaded gated classifier [4.285597067389559]
  本稿では, Margin Dampening と Cascaded Scaling という新たな漸進正規化手法を提案する。 1つ目は、ソフト制約と知識蒸留のアプローチを組み合わせて、過去の知識を保存し、新しいパターンを忘れることを可能にします。 提案手法は,複数のベンチマークにおいて,確立されたベースラインで良好に動作することを示す。
  論文  参考訳（メタデータ） (2024-02-02T09:33:07Z)
• Activate and Reject: Towards Safe Domain Generalization under Category Shift [71.95548187205736]
  カテゴリーシフト(DGCS)下における領域一般化の実践的問題について検討する。 未知のクラスサンプルを同時に検出し、ターゲットドメイン内の既知のクラスサンプルを分類することを目的としている。 従来のDGと比較すると,1)ソースクラスのみを用いたトレーニングにおいて,未知の概念を学習する方法,2)ソーストレーニングされたモデルを未知の環境に適応する方法,の2つの新しい課題に直面している。
  論文  参考訳（メタデータ） (2023-10-07T07:53:12Z)
• COOLer: Class-Incremental Learning for Appearance-Based Multiple Object Tracking [32.47215340215641]
  本稿では,連続学習研究の範囲を,複数物体追跡(MOT)のためのクラス増分学習に拡張する。 オブジェクト検出器の連続学習のための従来のソリューションは、外見に基づくトラッカーのデータ関連ステージには対応していない。 我々は,Contrastive- and cOntinual-LearningベースのトラッカーであるCOOLerを紹介した。
  論文  参考訳（メタデータ） (2023-10-04T17:49:48Z)
• Complementary Learning Subnetworks for Parameter-Efficient Class-Incremental Learning [40.13416912075668]
  本稿では,2つの補完学習サブネットワークス間のシナジーを通じて連続的に学習するリハーサルフリーなCILアプローチを提案する。 提案手法は, 精度向上, メモリコスト, トレーニング効率, タスク順序など, 最先端手法と競合する結果が得られる。
  論文  参考訳（メタデータ） (2023-06-21T01:43:25Z)
• 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)
• HEATGait: Hop-Extracted Adjacency Technique in Graph Convolution based Gait Recognition [0.0]
  HEATGaitは,効率的なホップ抽出技術により既存のマルチスケール畳み込みグラフを改善する歩行認識システムである。 本稿では,CASIA-BCN 歩行データセット上でのモデルに基づく歩行認識において,ResG を用いた最先端性能を実現する強力な特徴抽出器を提案する。
  論文  参考訳（メタデータ） (2022-04-21T16:13:58Z)
• On Generalizing Beyond Domains in Cross-Domain Continual Learning [91.56748415975683]
  ディープニューラルネットワークは、新しいタスクを学んだ後、これまで学んだ知識の破滅的な忘れ込みに悩まされることが多い。 提案手法は、ドメインシフト中の新しいタスクを精度良く学習することで、DomainNetやOfficeHomeといった挑戦的なデータセットで最大10%向上する。
  論文  参考訳（メタデータ） (2022-03-08T09:57:48Z)
• TraND: Transferable Neighborhood Discovery for Unsupervised Cross-domain Gait Recognition [77.77786072373942]
  本稿では、教師なしクロスドメイン歩行認識のための領域ギャップを橋渡しするTransferable Neighborhood Discovery (TraND) フレームワークを提案する。 我々は、潜在空間におけるラベルなしサンプルの自信ある近傍を自動的に発見するために、エンドツーエンドのトレーニング可能なアプローチを設計する。 提案手法は,CASIA-BとOU-LPの2つの公開データセットに対して,最先端の結果を得る。
  論文  参考訳（メタデータ） (2021-02-09T03:07:07Z)
• Self-Supervised Human Activity Recognition by Augmenting Generative Adversarial Networks [0.0]
  本稿では,自己教師型タスクによるGAN(Generative Adversarial Network)の拡張手法を提案する。 提案手法では,入力ビデオフレームは異なる空間変換によってランダムに変換される。 判別器は、補助損失を導入することにより、適用された変換を予測することを奨励される。
  論文  参考訳（メタデータ） (2020-08-26T18:28:17Z)
• Unsupervised Domain Adaptation in Person re-ID via k-Reciprocal Clustering and Large-Scale Heterogeneous Environment Synthesis [76.46004354572956]
  個人再識別のための教師なし領域適応手法を提案する。 実験結果から,ktCUDA法とSHRED法は,再同定性能において,+5.7 mAPの平均的改善を実現することがわかった。
  論文  参考訳（メタデータ） (2020-01-14T17:43:52Z)

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。