論文の概要: Attribute-Centric Vision-Language Alignment for Fine-Grained Gait Understanding

• arxiv url: http://arxiv.org/abs/2610.14589v1
• Date: Sat, 10 Oct 2026 05:08:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 12:47:43.06188
• Title: Attribute-Centric Vision-Language Alignment for Fine-Grained Gait Understanding
• Title（参考訳）: 微視的歩行理解のための属性中心視覚言語アライメント
• Abstract要約: 歩行属性認識は、微細な歩行理解への具体的な経路を提供する。 RA-GARは、歩行属性認識のための大規模ベンチマークである。 Git-VLは属性中心の視覚言語アライメントフレームワークである。
• 参考スコア（独自算出の注目度）: 31.909801498861864
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Walking sequences reveal human-interpretable attributes related to body structure, posture, and motion. Gait attribute recognition provides a concrete route to fine-grained gait understanding by predicting these attributes. However, existing benchmarks provide limited fine-grained annotations, while classifier-based gait attribute recognition methods typically represent candidate classes through learned output weights rather than directly matching visual evidence with textual class representations. To address the annotation gap, we present RA-GAR, a large-scale, richly annotated multimodal benchmark for gait attribute recognition, containing 1,001 subjects, 242,729 walking sequences, and annotations for 15 static and motion gait attributes. We further propose Gait-VL, an attribute-centric vision-language alignment framework that recognizes gait attributes by matching attribute-specific multi-frame visual evidence with textual class prototypes. On the visual side, attribute-specific learnable queries aggregate RGB features across spatial locations and frames into per-attribute visual embeddings. On the language side, diverse descriptions expanded by a large language model are combined with context about relevant body regions to construct textual class prototypes. Beyond attribute recognition, we evaluate the transferability of the attribute-pretrained visual encoder by using it to replace generic upstream large vision models in identityoriented gait recognition pipelines; attribute pre-training uses no identity classification or metric-learning objectives. Experiments demonstrate state-of-the-art attribute recognition performance on RA-GAR and consistent improvements in downstream identity recognition across multiple pipelines and benchmarks, supporting the effectiveness and transferability of attribute-centric gait representation learning.
• Abstract（参考訳）: 歩行シーケンスは、体の構造、姿勢、動きに関連する人間の解釈可能な特性を明らかにする。 歩行属性認識は、これらの属性を予測することによって、微細な歩行理解への具体的な経路を提供する。 しかし、既存のベンチマークでは細かいアノテーションが限られており、分類器ベースの歩行属性認識手法では、視覚的証拠とテキスト的クラス表現を直接マッチングするのではなく、学習された出力重みを通して候補クラスを表現するのが一般的である。 このアノテーションギャップに対処するため、RA-GARは1,001件の被験者、242,729件の歩行シーケンス、および15件の静的および運動歩行属性に対するアノテーションを含む、大規模なマルチモーダル・ベンチマークである。 さらに,属性中心の視覚言語アライメントフレームワークであるGait-VLを提案する。 視覚面では、属性固有の学習可能なクエリは、空間的位置とフレームをまたいだRGB機能を属性ごとの視覚的埋め込みに集約する。 言語面では、大きな言語モデルによって拡張された多様な記述と、関連する身体領域に関するコンテキストを組み合わせることで、テキストクラスのプロトタイプを構築する。 属性認識以外にも,属性事前学習では,属性分類やメトリック学習の目的を使わずに,属性事前学習を行う。 実験では、RA-GARにおける最先端属性認識性能と、複数のパイプラインやベンチマークにわたる下流ID認識の一貫性の向上を実証し、属性中心の歩行表現学習の有効性と伝達性をサポートする。

関連論文リスト

• GUIDED: Granular Understanding via Identification, Detection, and Discrimination for Fine-Grained Open-Vocabulary Object Detection [54.19989440021701]
  細粒度オープン語彙オブジェクト検出(FG-OVD)は属性リッチテキストで記述された新しいオブジェクトカテゴリを検出することを目的としている。 FG-OVDは、非絡み合いモデリングとモジュラー最適化の利点を実証し、新しい最先端の結果を達成する。
  論文  参考訳（メタデータ） (2026-03-27T22:08:11Z)
• ViTA-PAR: Visual and Textual Attribute Alignment with Attribute Prompting for Pedestrian Attribute Recognition [8.982938200941092]
  歩行者属性認識(PAR)は、衣服、アクセサリー、性別などの個人の詳細な属性を特定することを目的としている。 ViTA-PARは4つのPARベンチマークで検証され、効率的な推論で競合性能を達成する。
  論文  参考訳（メタデータ） (2025-06-02T08:07:06Z)
• LATex: Leveraging Attribute-based Text Knowledge for Aerial-Ground Person Re-Identification [78.73711446918814]
  我々は,属性ベースのテキスト知識を活用するために,アクシデントチューニング戦略を採用した,AG-ReIDのためのLATexという新しいフレームワークを提案する。 我々のフレームワークは属性ベースのテキスト知識をフル活用してAGReIDの性能を向上させることができる。
  論文  参考訳（メタデータ） (2025-03-31T04:47:05Z)
• ArtVLM: Attribute Recognition Through Vision-Based Prefix Language Modeling [32.55352435358949]
  属性認識のための文生成に基づく検索定式化を提案する。 画像上で認識される各属性に対して、短い文を生成する視覚条件付き確率を測定する。 生成的検索が2つの視覚的推論データセットのコントラスト的検索を一貫して上回ることを示す実験を通して実証する。
  論文  参考訳（メタデータ） (2024-08-07T21:44:29Z)
• TransFA: Transformer-based Representation for Face Attribute Evaluation [87.09529826340304]
  我々はtextbfTransFA を用いたtextbfattribute 評価のための新しい textbf Transformer 表現を提案する。 提案するTransFAは,最先端手法と比較して優れた性能を示す。
  論文  参考訳（メタデータ） (2022-07-12T10:58:06Z)
• Attribute Prototype Network for Any-Shot Learning [113.50220968583353]
  属性ローカライズ機能を統合した画像表現は、任意のショット、すなわちゼロショットと少数ショットのイメージ分類タスクに有用である、と我々は主張する。 クラスレベルの属性のみを用いてグローバルな特徴とローカルな特徴を共同で学習する新しい表現学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-04-04T02:25:40Z)

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。