Meneroka Transformers Penglihatan Diselia Sendiri Untuk Pengecaman Gait dalam Bahagian Liar 3

Kami menggunakan upsample mudah untuk menginterpolasi antara sendi jiran (Rajah 3). Walau bagaimanapun, secara naif berbuat demikian pada rangka mengakibatkan sendi palsu merentasi rangka, tanpa mengira pilihan format rangka (cth, OpenPose atau COCO), kerana susunan sendi tidak mengekalkan sebarang makna semantik.

Urutan sendi merujuk kepada menggerakkan sendi badan dalam urutan tertentu. Senaman jenis ini memainkan peranan penting dalam mengekalkan kesihatan fizikal dan meningkatkan daya ingatan badan.

Pertama sekali, penjujukan sendi boleh menggalakkan pergerakan diselaraskan pelbagai bahagian badan, meningkatkan kekuatan otot, dan meningkatkan fungsi kardiopulmonari, yang semuanya membantu mengekalkan kesihatan yang baik. Pada masa yang sama, penjajaran sendi yang kerap dapat mengurangkan kekakuan dan kesakitan badan, memperbaiki postur dan keseimbangan, dan melambatkan penurunan fungsi fizikal yang disebabkan oleh usia.

Kedua, penjujukan sendi juga boleh meningkatkan daya ingatan. Penyelidikan menunjukkan bahawa senaman boleh merangsang pertumbuhan dan sambungan neuron otak, dengan itu menggalakkan pertukaran maklumat antara neuron, yang boleh membantu meningkatkan daya ingatan dan kebolehan pembelajaran. Pergerakan sendi yang berurutan memerlukan otak untuk memberikan arahan yang tepat untuk pergerakan pelbagai bahagian badan, yang sangat membantu perkembangan koordinasi otak dan kebolehan ingatan.

Akhir sekali, penjujukan sendi juga boleh melegakan tekanan dan kebimbangan dan meningkatkan kestabilan emosi. Senaman boleh membebaskan beberapa bahan dalam badan, seperti dopamin dan endorfin, yang boleh membantu melegakan masalah emosi dan meningkatkan rasa gembira dan kepuasan badan. Faktor-faktor ini juga memberi kesan positif kepada peningkatan daya ingatan.

Ringkasnya, terdapat hubungan positif antara penjujukan sendi dan ingatan. Melalui senaman penjujukan sendi yang kerap, anda boleh menggalakkan perkembangan badan dan otak yang sihat, meningkatkan daya ingatan dan kebolehan pembelajaran, dan meningkatkan kestabilan emosi. Marilah kita memberi perhatian kepada kesihatan yang baik dan menikmati keindahan hidup bersama! Ia dapat dilihat bahawa kita perlu meningkatkan daya ingatan, dan Cistanche deserticola boleh meningkatkan daya ingatan dengan ketara kerana Cistanche deserticola adalah bahan perubatan tradisional Cina yang mempunyai banyak kesan unik, salah satunya adalah untuk meningkatkan daya ingatan. Keberkesanan daging cincang berasal dari pelbagai bahan aktif yang terkandung di dalamnya, termasuk asid, polisakarida, flavonoid, dll. Bahan-bahan ini boleh menggalakkan kesihatan otak dalam pelbagai cara.

Klik tahu suplemen untuk meningkatkan ingatan

Pemerhatian ini selari dengan hasil kerja Yang et al. [44], yang mencadangkan imej rangka struktur pokok (TSSI) untuk mencadangkan hubungan spatial antara sendi. Ia adalah berdasarkan susunan pelintasan pokok yang pertama dalam bagi sendi, yang mengekalkan maklumat struktur rangka. Rajah 3 (kanan), mempamerkan kesan format rangka yang berbeza dan kaedah upsample. Untuk kaedah mengubah saiz ini, kami menggunakan format TSSI dan interpolasi bikubik.

Tambahan pula, kami bereksperimen dengan dua kaedah peningkatan, yang boleh dipelajari semasa latihan. Kami menggunakan lapisan linear ringkas yang digunakan pada setiap rangka yang diratakan untuk menambah bilangan sendi. Ini adalah cara yang paling mudah untuk mengubah setiap rangka, tetapi ia tidak mengambil kira sebarang hubungan ruang antara sendi. Untuk menangani perkara ini, kami juga menggunakan satu set lapisan dekonvolusi 2D pada jujukan rangka untuk mengubah saiz sambil juga mengambil kira maklumat struktur; untuk kaedah ini, kami juga menggunakan format TSSI.

Jadual 1 mempamerkan keputusan untuk setiap kaedah mengubah saiz untuk semua seni bina. Model tersebut telah dilatih dan dinilai pada CASIA-B selama 200 zaman, dan kami menunjukkan hasil untuk berjalan biasa. Untuk percubaan kami yang lain, kami memilih untuk menambah sampel jujukan rangka dengan interpolasi bikubik.

Walaupun terdapat beberapa kemungkinan prosedur pralatihan diselia sendiri, kami memilih pendekatan pralatihan kontras kerana ia adalah prosedur yang sama untuk tugas mendapatkan semula sebenar pengecaman berjalan. Pendekatan kontrastif menggalakkan perwakilan kepunyaan kelas yang sama untuk menjadi dekat dalam ruang terpendam, pada masa yang sama menjadi jauh daripada perwakilan kepunyaan kelas yang berbeza.

Khususnya, kami menggunakan Kontrastif Terkawal [45]untuk pralatihan. Kerugian SupCon beroperasi pada kumpulan berbilang tontonan: setiap sampel dalam kumpulan mempunyai berbilang versi tambahan sendiri. Ia terbukti secara semula jadi lebih teguh kepada rasuah data, ia mengurangkan keperluan untuk pemilihan kembar tiga yang teliti kerana kecerunan menggalakkan pembelajaran daripada contoh yang sukar dan kurang sensitif terhadap hiperparameter.

3.4. Pembesaran Data

Latihan dalam cara kontras diselia sendiri dengan kehilangan SupCon membayangkan penggunaan pembesaran data untuk memberikan berbilang "pandangan" tambahan bagi urutan rangka yang sama. Pembesaran yang digunakan untuk urutan rangka berjalan kami adalah selaras dengan kerja lain dalam bidang ini [10,12, 30]. Pembesaran utama yang digunakan ialah pemangkasan temporal rawak dengan panjang jangka masa T=64 bingkai.

Memandangkan rangka dijejaki untuk tempoh masa yang berubah-ubah, kami menggunakan pemangkasan untuk memastikan semua jujukan mempunyai panjang yang sama. Selain itu, orang yang berjalan mungkin menukar arah dan melakukan tindakan lain merentasi tempoh yang dijejaki; akibatnya, penanaman mendorong lebih banyak kebolehubahan untuk urutan yang sama.

Tambahan pula, kami mengubah suai rentak berjalan dengan memperlahankan atau mempercepatkan perjalanan. Kami menggunakan pengubah suai kelajuan {{{0}}.5, 0.75, 1, 1.25, 1.5, 1.75, 2.0}. Ini diadaptasi daripada karya Wang et al. [48] ​​untuk pembelajaran penyeliaan sendiri bagi perwakilan video. Selain itu, pacemodification telah digunakan dalam analisis gait pada masa lalu [33].

Kami juga menggunakan flipping rawak dengan kebarangkalian {{0}}.5, pembalikan jujukan dengan kebarangkalian 0.5, bunyi Gaussian aditif untuk setiap sambungan dengan σ=0.005, dan keciciran rawak sebanyak 5% daripada sendi dengan kebarangkalian 0.01 untuk mensimulasikan hilang sendi daripada model poseestimation.

3.5. Kaedah Permulaan

Untuk mengukur kesan prestasi pralatihan diselia sendiri pada seni bina yang dicadangkan, kami meneroka tiga kaedah permulaan yang berbeza. Jadual 2 mempamerkan pelbagai set data yang digunakan dalam literatur. Walaupun CASIA-B [6] dan FVG[29] ialah set data terkawal, kebanyakannya digunakan untuk penilaian, kami menggunakan DenseGait [12] dan GREW [7] untuk pralatihan diselia sendiri untuk lima seni bina. DenseGait dan GREW ialah dua daripada pangkalan data gait realistik terbesar, dikumpulkan dalam tetapan luar, yang mungkin mengandungi majoriti variasi, tingkah laku dan kerumitan yang terdapat dalam kehidupan seharian. Kami memilih set data ini untuk mempunyai perwakilan gaya berjalan yang lebih umum, untuk membolehkan senario pengawasan inggeneral pengesahan berjalan.

DenseGait Pralatihan DenseGait ialah set data berjalan "dalam alam liar" berskala besar yang dikumpulkan secara automatik daripada aliran pengawasan. Ia mengandungi 217 K urutan rangka yang dijejaki, diekstrak menggunakan AlphaPose [22], dalam pelbagai persekitaran dan sudut kamera dari lokasi berbilang geografi. Memandangkan DenseGait dikumpul secara automatik, anotasinya dari segi pengecam penjejakan adalah bising dan set data mungkin mengandungi jujukan tentang subjek yang sama, walaupun ini adalah kejadian yang jarang berlaku. Walau bagaimanapun, ini adalah kes bagi majoriti set data tidak berlabel berskala besar yang mengandungi sampel kepunyaan kelas semantik yang sama, yang dianggap tidak berkaitan semasa latihan. Kami pralatih setiap seni bina pada DenseGaitan dan menggunakan parameter terlatih untuk penilaian prestasi hiliran selanjutnya bagi set data terkawal.

GREW Pralatihan GREW ialah satu lagi set data "dalam alam liar" luar tetapi diberi anotasi dengan teliti supaya ia mengandungi subjek berjalan merentasi beberapa hari dan jenis pakaian yang berbeza. Walau bagaimanapun, untuk mematuhi keperluan rejim penyeliaan sendiri, hapuskan anotasi dan anggap setiap urutan berjalan sebagai orang yang berasingan. GREW adalah 2× lebih kecil daripada DenseGait, yang mengandungi jujukan rangka 128 K, sementara setiap pejalan kaki dijejaki untuk tempoh purata yang lebih kecil [12]. Kami juga melatih setiap seni bina di GREW dan menggunakan parameter terlatih untuk penilaian prestasi hiliran.

Permulaan Rawak Kaedah permulaan ini sepadan dengan tiada pralatihan (iaitu, latihan dari awal). Setiap seni bina dilatih dengan permulaan berat rawak pada set data hiliran. Kaedah ini adalah garis dasar untuk membandingkan keuntungan prestasi melalui pralatihan.

3.6. Penilaian

Prestasi tugas hiliran dinilai dalam dua cara berbeza untuk pengecaman gaya berjalan. Kami secara langsung menguji keupayaan mendapatkan semula seni bina yang telah dilatih, tanpa menyempurnakan tugasan tertentu. Kaedah ini sepadan dengan pemindahan sifar pukulan. Selanjutnya, kami memperhalusi setiap seni bina menggunakan kadar pembelajaran 10× lebih kecil daripada semasa pralatihan, dengan kadar pembelajaran yang semakin kecil pada permulaan rangkaian, yang sepadan dengan dasar pereputan kadar pembelajaran mengikut lapisan (LLRD) [50].

Penilaian prestasi hiliran dilakukan pada dua set data pengecaman gaitre yang popular: CASIA-B [6] dan FVG [29]. Kedua-dua set data menampilkan sebilangan kecil subjek di bawah protokol berjalan yang ketat, yang dikawal ke atas pelbagai faktor pengacau: sudut kamera, pakaian, aksesori dan kelajuan berjalan.

CASIA-B ialah set data dalaman yang mengandungi 124 subjek yang ditangkap daripada 11 kamera yang disegerakkan. Setiap individu berjalan dalam tiga keadaan berbeza: berjalan biasa, menukar pakaian dan membawa beg. Sejak dikeluarkan, ia telah menjadi ruji untuk menanda aras model gaitanalysis, sebagai salah satu set data yang paling banyak digunakan dalam bidang ini. Kami menggunakan 62 mata pelajaran pertama sebagai set latihan dan baki 62 mata pelajaran untuk penilaian prestasi. Untuk pengecaman gaitre, kami memilih untuk menilai prestasi pada asas setiap sudut dalam tetapan "tinggalkan satu keluar", di mana set galeri mengandungi semua sudut berjalan kecuali sudut probe.

Gait Pandangan Hadapan ialah satu lagi set data popular untuk pengecaman gaya berjalan, mempunyai 226 subjek berjalan di luar di bawah pelbagai protokol. Berbeza daripada CASIA-B, FVG menampilkan faktor tambahan yang mengelirukan: kelajuan berjalan, latar belakang yang berselerak dan peredaran masa (iaitu, sesetengah subjek telah mendaftarkan berjalan kaki selama setahun). Tambahan pula, semua subjek ditangkap dengan sudut kamera menghadap ke hadapan, yang dianggap sebagai sudut paling sukar untuk pengecaman gaya berjalan kerana ia mengandungi jumlah terkecil variasi pergerakan sendi yang dirasakan. Kami menggunakan 136 mata pelajaran pertama untuk latihan dan selebihnya untuk penilaian prestasi. Penilaian prestasi untuk pengecaman gait mematuhi protokol yang digariskan oleh pengarang, di mana kami menggunakan urutan berjalan biasa dalam set galeri dan syarat lain dalam set probe.

Untuk semua senario penilaian, kami menggunakan pemangkasan deterministik di tengah-tengah urutan berjalan dan tidak menggunakan sebarang penambahan masa ujian.

4. Eksperimen dan Keputusan

4.1. Penilaian CASIA-B

Kami melatih setiap seni bina pada DenseGait dan GREW, masing-masing, dan menilai prestasi pada CASIA-B dan FVG. Dalam set percubaan pertama, kami berminat untuk menilai prestasi CASIA-B dalam senario penalaan halus selepas pralatihan, dengan sampel latihan yang semakin besar. Kami melatih setiap rangkaian pada 62 identiti pertama, dengan semua variasi berjalan yang tersedia, dan menyimpan selebihnya untuk ujian. Penilaian pengiktirafan dilakukan menggunakan 4 sampel berjalan biasa yang pertama sebagai set galeri, dan set probe restas. Rajah 4 mempamerkan ketepatan bagi setiap satu daripada tiga variasi berjalan (normal—NM, pakaian—CLm dan beg tangan—BG) untuk CASIA-B. Untuk senario ini, secara panas melakukan sampel K={1, 2, 3, 5, 7, 10} berjalan setiap subjek, setiap sudut dan melatih model. Walaupun prestasinya agak serupa antara seni bina, adalah jelas bahawa pralatihan menawarkan peningkatan yang ketara dalam prestasi berbanding dengan permulaan rawak, tanpa mengira pilihan set data pralatihan.

Selain itu, SimpleViT, CrossFormer, dan Twins-SVT nampaknya mempunyai prestasi tinggi yang serupa, manakala Token2Token agak ketinggalan. Ini menunjukkan bahawa kaedah tokenisasi progresif yang digunakan dalam Token2Token, yang direka khusus untuk struktur seperti imej, tidak menangkap ciri jujukan secara berkesan. Terdapat perbezaan ketara antara set data pralatihan: DenseGait nampaknya menawarkan peningkatan prestasi yang konsisten dalam dua variasi berjalan (CL danBG) jika dibandingkan dengan GREW. Ini menunjukkan fakta bahawa DenseGait termasuk senario yang lebih mencabar dan realistik yang menyediakan model dengan lebih baik untuk keadaan di mana corak berjalan dipengaruhi oleh faktor luaran.

Seni bina dilatih untuk memetakan urutan berjalan ke ruang benam, di mana kedekatan antara titik mencerminkan persamaan urutan berjalan yang sepadan. Ini bermakna bahawa benam urutan gait ghaib dari identiti yang sama harus dekat antara satu sama lain dalam ruang benam dan membentuk kelompok, manakala benam identiti berbeza harus lebih jauh antara satu sama lain dan membentuk kelompok yang berbeza. Ini penting kerana ia membolehkan model membuat generalisasi kepada urutan gait yang tidak kelihatan dan mengenal pasti individu dengan tepat dengan menggunakan pendekatan jiran terdekat. Dalam Rajah 5, kami membentangkan pengelompokan untuk embeddings bagi setiap identiti dalam set ujian pengurangan dimensi CASIA-Bafter dengan t-SNE [51]. Kami menggunakan 256-vektor benam dimensi dan menayangkannya kepada dua dimensi. SimpleViT dan CrossFormer nampaknya mempunyai pemisahan identiti yang terbaik, tanpa mengira sudut pandangan kamera.

4.2. Penilaian FVG

Begitu juga, kami menilai prestasi setiap seni bina pada FVG, yang berbeza secara kualitatif daripada CASIA-B, kerana ia mengandungi hanya satu sudut tontonan. Kami memperhalusi rangkaian pra-latihan pada pecahan f={0.1, 0.2, 0.3, {{10 }}.5, 0.7, 1.0} daripada 12 larian setiap orang dalam set latihan. Keputusan penalaan halus dibentangkan dalam Rajah 6. Keputusan mengikut arah aliran yang serupa dengan keputusan untuk CASIA-B: SimpleViT dan CrossFormer mempunyai prestasi tinggi secara konsisten, dan penggunaan set data pralatihan bermanfaat untuk prestasi hiliran. Selanjutnya, pralatihan pada DenseGait nampaknya meneruskan peningkatan ketepatan yang berterusan. Seperti yang dinyatakan oleh Cosma dan Radoi [12], DenseGait mengandungi subjek yang dijejaki untuk tempoh yang lebih lama, dan ini memberikan lebih banyak variasi dalam objektif pembelajaran kontrastif, sama seperti pemangkasan rawak untuk pralatihan diselia sendiri untuk imej semula jadi. Sama seperti keputusan pada CASIA-B, variasi pakaian sangat ketinggalan berbanding senario berjalan biasa.

Dalam Jadual 4, kami membentangkan keputusan yang lebih terperinci pada set ujian FVG antara model pra-terlatih, serupa dengan senario CASIA-B. Keputusan pralatihan adalah konsisten: pralatihan pada DenseGait secara langsung berkait dengan peningkatan dalam ketepatan hiliran. Walaupun pralatihan pada kedua-dua set data meningkatkan prestasi dalam semua senario, penambahbaikan amat ketara dalam senario CBG (Latar Belakang Bercelaru) yang biasanya terdiri daripada mempunyai lebih ramai orang dalam video, serupa dengan tetapan tidak realistik yang dijangkakan. Peningkatan ini berkemungkinan disebabkan oleh fakta bahawa DenseGait dan GREWberkumpul dalam persekitaran semula jadi, tidak terkawal, menjadikannya lebih realistik dan mencabar, dengan itu menyediakan model dengan lebih baik untuk keadaan yang serupa dengan yang terdapat dalam senario CBG. Kedudukan antara model adalah serupa dengan CASIA-B: SimpleViT, CrossFormer, danTwins-SVT secara konsisten mengatasi prestasi CaiT dan Token2Token. Untuk kedua-dua CASIA-B dan FVG, CaiT agak ketinggalan berbanding model lain.

4.3. Ujian Sensitiviti Spatiotemporal

Satu keistimewaan transformer penglihatan ialah pilihan dimensi tampalan sewenang-wenangnya, yang boleh terbukti menjadi penting dalam prestasi akhir. Dalam kes pemprosesan imej, dimensi tampalan tidak begitu penting, disebabkan oleh invarian translasi kandungan semantik dalam imej.

Untuk jujukan rangka, walau bagaimanapun, dimensi tampalan sepadan dengan ciri input yang khusus dan boleh ditafsir: ketinggian tampalan mewakili jumlah maklumat spatial yang terkandung dalam tampalan (iaitu, bilangan sendi rangka disertakan), manakala dimensi temporal mewakili jumlah maklumat temporal yang disertakan ( iaitu bilangan bingkai). Keseimbangan antara kedua-duanya harus dipertimbangkan dengan teliti dalam penggunaan pengubah penglihatan yang disesuaikan untuk analisis gaya berjalan. Dalam Rajah 7, kami mempamerkan peta haba di mana setiap sel adalah prestasi model terlatih (dimulakan secara rawak) pada CASIA-B untuk berjalan biasa. Kami melatih setiap model selama 50 zaman untuk perbandingan yang saksama, dan untuk mengukur kelajuan penumpuan pada bilangan langkah yang tetap.
Kami membina dua peta haba, satu untuk SimpleViT dan satu untuk CaiT kerana ia mempunyai tulang belakang asas yang serupa, dan adalah mudah untuk mengubah suai saiz tampung. Proses yang sama boleh dilakukan untuk seni bina lain yang diuji. Kami menyimpulkan bahawa saiz tampalan yang lebih kecil sepadan dengan peningkatan positif dalam prestasi pemodelan untuk jujukan rangka, manakala pertukaran antara dimensi spatial dan temporal tidak penting, kerana prestasi adalah serupa—matriks peta haba agak simetri dengan pepenjuru kedua. Oleh itu, saiz tampalan persegi yang lebih kecil seperti(2, 4) merentas dimensi spatial dan temporal sesuai untuk tugas ini, manakala saiz tampalan yang lebih besar seperti (32, 32) mengandungi terlalu sedikit maklumat diskriminasi. Walau bagaimanapun, saiz tampalan yang lebih kecil hanya menambah bilangan tampalan, yang memerlukan lebih kuasa pengkomputeran. Untuk persediaan dua GPU NVIDIA RTX 3060 kami, kami melaporkan ralat kehabisan memori untuk beberapa kombinasi saiz tampung yang lebih kecil.

Sebab yang paling mungkin untuk prestasi yang dipertingkatkan dengan saiz tampalan yang lebih kecil ialah seni bina boleh menangkap kerumitan corak berjalan dengan lebih baik dengan mengira interaksi yang lebih rumit antara tampalan. Tampalan dengan saiz ruang yang paling besar dan saiz temporal yang paling kecil boleh dianggap sebagai gambaran penuh rangka, manakala tampalan dengan saiz temporal terbesar dan saiz ruang terkecil yang mungkin menangkap keseluruhan pergerakan sendi individu. Seperti yang boleh diperhatikan, ketepatan tertinggi dicapai apabila saiz tampalan menggabungkan keseimbangan kedua-dua maklumat spatial dan temporal, yang sepadan dengan pergerakan kecil sendi yang berkait rapat.

5. Perbincangan dan Kesimpulan

Dalam kerja ini, kami menyediakan penilaian menyeluruh terhadap lima varian popular pengubah penglihatan yang disesuaikan untuk pemprosesan jujukan rangka. Usaha kami adalah selaras dengan kemajuan terkini dalam pembelajaran mendalam untuk pada dasarnya menyatukan modaliti yang berbeza di bawah seni bina transformer. Kami mencadangkan kaedah pensampelan spatial untuk rangka (pengambilan bicubikup dengan format rangka TSSI) untuk meningkatkan bilangan sendi secara buatan, supaya jujukan itu boleh digunakan dengan betul oleh pengekod pengubah. Tambahan pula, setiap seni bina telah dilatih di bawah paradigma latihan penyeliaan kendiri pada dua set data gaya berjalan umum dan berskala besar (iaitu, DenseGait dan GREW), dan kemudiannya menilai dua set data untuk pengecaman gaya berjalan dalam persekitaran terkawal (iaitu, CASIA-B dan FVG). Kami memilih untuk mengguna pakai paradigma pembelajaran yang diselia sendiri untuk mendapatkan ciri berjalan umum, tidak terhad kepada variasi berjalan atau sudut pandangan kamera tertentu.

Keputusan kami membayangkan keperluan untuk kuantiti yang tinggi, berkualiti tinggi dan set data yang pelbagai untuk model analisis gaya berjalan sebelum latihan. Kami menunjukkan bahawa pralatihan pada DenseGait menawarkan peningkatan ketepatan yang konsisten berbanding GREW, disebabkan oleh peningkatan dalam saiz, bilangan variasi dan purata tempoh berjalan [12]. Manfaat yang paling ketara, bagaimanapun, adalah dalam situasi dengan jumlah data latihan yang rendah tersedia. Keputusan kami menunjukkan bahawa latihan dari awal membawa kepada keputusan yang jauh lebih buruk daripada penalaan halus walaupun dengan jumlah data yang sederhana (iaitu, 10 urutan setiap orang). Pada masa ini, kebanyakan pendekatan gaya berjalan dilakukan di dalam dalam persekitaran yang dikawal ketat, yang tidak boleh digeneralisasikan kepada kerumitan interaksi dunia sebenar. Set data latihan yang pelbagai adalah penting untuk melakukan analisis tingkah laku yang tepat di alam liar, terutamanya kerana gaya berjalan ialah ciri biometrik yang mudah dipengaruhi oleh faktor persekitaran luaran, serta komponen dalaman dan emosi.

Kajian ablasi kami menunjukkan bahawa tompok spatial-temporal yang lebih kecil bermanfaat untuk hasil hiliran yang lebih baik. Wawasan ini memaklumkan perkembangan masa hadapan bagi jujukan rangka kerangka, yang sebelum ini bergantung pada pemprosesan rangka individu pada tampung tunggal [12].

Di samping usaha serentak untuk membawa analisis gaya berjalan ke dalam tetapan yang realistik, kerja kami selanjutnya membolehkan peralihan pengesahan gaya berjalan dan analisis tingkah laku daripada persekitaran dalaman terkawal kepada tetapan dunia nyata luaran. Pengiktirafan gait dalam alam liar akan menjadi sentiasa ada dengan perkembangan penderia pintar dan seni bina saraf yang cekap yang memproses tingkah laku dipacu gerakan dalam masa nyata.

Rujukan

1. Kyeong, S.; Kim, SM; Jung, S.; Kim, Analisis corak DH Gait dan pengenalan subkumpulan klinikal: Kajian pemerhatian retrospektif. Perubatan 2020, 99, e19555. [CrossRef] [PubMed]

2. Michalak, J.; Troje, NF; Fischer, J.; Vollmar, P.; Heidenreich, T.; Schulte, D. Penjelmaan Kesedihan dan Kemurungan—Corak Gaya Berkaitan Dengan Mood Disforia. Psikosom. Med. 2009, 71, 580–587. [CrossRef] [PubMed]

3. Willems, TM; Witvrouw, E.; De Cock, A.; De Clercq, D. Faktor risiko yang berkaitan dengan gaya berjalan untuk sakit kaki bawah yang berkaitan dengan senaman semasa shodrunning. Med. Sci. Latihan Sukan. 2007, 39, 330–339. [CrossRef] [PubMed]

4. Singh, JP; Jain, S.; Arora, S.; Singh, UP Vision-based gait recognition: Satu tinjauan. Akses IEEE 2018, 6, 70497–70527. [CrossRef]

5. Makihara, Y.; Nixon, MS; Yagi, Y. Gait recognition: Pangkalan data, perwakilan dan aplikasi. Pengiraan. Vis. Ruj. Panduan 2020,1–13.

6. Yu, S.; Tan, D.; Tan, T. Rangka kerja untuk menilai kesan sudut pandangan, pakaian dan keadaan pembawaan pada pengecaman gaya berjalan. Dalam Prosiding Persidangan Antarabangsa Ke-18 mengenai Pengecaman Corak (ICPR'06), Hong Kong, China, 20–24 Ogos 2006;Jilid 4, ms 441–444.

7. Zhu, Z.; Guo, X.; Yang, T.; Huang, J.; Deng, J.; Huang, G.; Du, D.; Lu, J.; Zhou, J. Pengiktirafan Gait di Alam Liar: Penanda Aras. InProceedings of the IEEE International Conference on Computer Vision (ICCV), Montreal, BC, Canada, 11–17 Oktober 2021.

8. Chao, H.; Hey.; Zhang, J.; Feng, J. Gaitset: Mengenai gait sebagai set untuk pengecaman gait cross-view. Dalam Prosiding AAAIConference on Artificial Intelligence, Honolulu, HI, Amerika Syarikat, 27 Januari–1 Februari 2019; Jilid 33, hlm. 8126–8133. 

9. Kipas, C.; Peng, Y.; Cao, C.; Liu, X.; Hou, S.; Chi, J.; Huang, Y.; Li, Q.; He, Z. Gaitpart: Model berasaskan bahagian temporal untuk pengecaman gaitre. Dalam Prosiding Persidangan IEEE/CVF mengenai Penglihatan Komputer dan Pengecaman Corak, Seattle, WA, Amerika Syarikat, 13–19Jun 2020; ms 14225–14233.

10. Cosma, A.; Radoi, IE WildGait: Perwakilan Gait Belajar daripada Aliran Pengawasan Mentah. Penderia 2021, 21, 8387. [CrossRef][PubMed]

For more information:1950477648nn@gmail.com