論文の概要: Learning A Unified Template for Gait Recognition

• arxiv url: http://arxiv.org/abs/2609.18490v1
• Date: Wed, 16 Sep 2026 11:27:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:53.77032
• Title: Learning A Unified Template for Gait Recognition
• Title（参考訳）: 歩行認識のための統一テンプレートの学習
• Abstract要約: 我々は、統一テンプレートから異なるエンティティを生成する生成機能付きオリジンを提案する。 CASIA-B, CCPG, SUSTech1K, Gait3D, GREW, CCGR-MINI の実験により, Origins が一貫した生成的および表現的学習を行い,優れた性能を発揮することを示した。
• 参考スコア（独自算出の注目度）: 46.30720556618717
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: "What I cannot create, I do not understand."Human wisdom reveals that creation is one of the highest forms of learning. For example, Diffusion Models have demonstrated remarkable semantic structure and memory in image generation, understanding, and restoration, which intuitively benefits representation learning. However, current gait networks rarely embrace this perspective, relying primarily on learning by contrasting gait samples under varying complex conditions, leading to semantic inconsistency and uniformity issues. To address these issues, we propose Origins with generative capabilities whose underlying philosophy is that different entities are generated from a unified template, inherently regularizing gait representations within a consistent and diverse semantic space to capture accurate gait differences. Admittedly, learning this unified template is exceedingly challenging, as it requires the comprehensiveness of the template to encompass gait representations with various conditions. Inspired by Diffusion Models, Origins diffuses the unified template into timestep templates for gait generative learning, and meanwhile transfers the unified template for gait representation learning. Especially, gait generative and representation learning serve as a unified framework for end-to-end joint training. Extensive experiments on CASIA-B, CCPG,SUSTech1K, Gait3D, GREW and CCGR-MINI demonstrate that Origins performs unified generative and representation learning, achieving superior performance.
• Abstract（参考訳）: 「創造できないもの、理解できないもの」と人間の知恵は、創造は学問の最高形態の1つであることを明かしている。 例えば拡散モデルでは、画像生成、理解、復元において顕著なセマンティック構造と記憶を示しており、直感的に表現学習の恩恵を受けている。 しかし、現在の歩行ネットワークはこの観点をほとんど受け入れておらず、主に複雑な条件下で歩行サンプルを対比することで学習に依存しており、意味的な矛盾と均一性の問題に繋がる。 これらの問題に対処するために、我々は、異なる実体が統一テンプレートから生成され、本質的には、一貫した多様な意味空間内での歩行表現を規則化し、正確な歩行差を捉えるという、生成的能力を持つオリジンを提案する。 この統合テンプレートの学習は、様々な条件で歩行表現を包含するためにテンプレートの包括性を必要とするため、非常に難しい。 拡散モデルにインスパイアされたオリジンは、統合テンプレートを歩行生成学習のためのタイムステップテンプレートに拡散させ、一方、歩行表現学習のための統一テンプレートを転送する。 特に、歩行生成学習と表現学習は、エンドツーエンドのジョイントトレーニングの統一的な枠組みとして機能する。 CASIA-B, CCPG, SUSTech1K, Gait3D, GREW, CCGR-MINI の広範囲にわたる実験により, Origins が一貫した生成的および表現的学習を行い,優れた性能を発揮することを示した。

関連論文リスト

• Learning Without Augmenting: Unsupervised Time Series Representation Learning via Frame Projections [35.715609556178165]
  ラベル付きデータなしで表現を学習するための強力なパラダイムとして、自己教師型学習が登場した。 ほとんどのSSLアプローチは、表現学習のための多様なビューを生成するために、強力で確立された手作りのデータ拡張に依存している。 正規のベースとオーバーコンプリートフレームを用いてビューを生成することにより、拡張を置き換える教師なし表現学習手法を提案する。
  論文  参考訳（メタデータ） (2025-10-26T12:36:29Z)
• Towards Generative Class Prompt Learning for Fine-grained Visual Recognition [5.633314115420456]
  ジェネレーティブ・クラス・プロンプト・ラーニングとコントラスト・マルチクラス・プロンプト・ラーニングを紹介する。 Generative Class Prompt Learningは、学習可能なクラスプロンプトを持つ数ショットの例に条件付けすることで、クラス埋め込みにおける視覚言語相乗性を改善する。 CoMPLeはこの基盤の上に構築されており、クラス間の分離を促進する対照的な学習コンポーネントを導入している。
  論文  参考訳（メタデータ） (2024-09-03T12:34:21Z)
• A Probabilistic Model Behind Self-Supervised Learning [53.64989127914936]
  自己教師付き学習(SSL)では、アノテートラベルなしで補助的なタスクを通じて表現が学習される。 自己教師型学習のための生成潜在変数モデルを提案する。 対照的な方法を含む識別的SSLのいくつかのファミリーは、表現に匹敵する分布を誘導することを示した。
  論文  参考訳（メタデータ） (2024-02-02T13:31:17Z)
• Enhancing Representations through Heterogeneous Self-Supervised Learning [63.453024759497545]
  本稿では,HSSL(Heterogeneous Self-Supervised Learning)を提案する。 HSSLは、構造的変化を伴わない表現学習方式で、ベースモデルに新しい特徴を付与する。 HSSLは、様々な自己教師型メソッドと互換性があり、様々な下流タスクにおいて優れたパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2023-10-08T10:44:05Z)
• Semantic-Aware Implicit Template Learning via Part Deformation Consistency [18.63665468429503]
  意味論的に妥当な変形を可能にする意味認識型暗黙テンプレート学習フレームワークを提案する。 自己教師付き特徴抽出器からのセマンティクスの事前利用により,新しいセマンティクス対応変形符号を用いた局所条件付けを提案する。 本実験は,様々なタスクにおいて,ベースラインよりも提案手法の方が優れていることを示す。
  論文  参考訳（メタデータ） (2023-08-23T05:02:17Z)
• High Fidelity Visualization of What Your Self-Supervised Representation Knows About [22.982471878833362]
  本研究では,条件拡散に基づく生成モデル(RCDM)を用いて,自己教師付きモデルを用いて学習した表現を可視化する。 このモデルの生成品質は、条件付けとして使われる表現に忠実でありながら、最先端の生成モデルとどのように同等かを示す。
  論文  参考訳（メタデータ） (2021-12-16T19:23:33Z)

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。