تستغل معظم طرق التعرف على المشية التمثيلات المكانية-الزمانية من المظاهر الثابتة وأنماط المشي الديناميكية. ومع ذلك، نلاحظ أن العديد من الطرق القائمة على الأجزاء تتجاهل التمثيلات عند الحدود. بالإضافة إلى ذلك، فإن ظاهرة الانطباع الزائد (overfitting) على بيانات التدريب شائعة نسبيًا في التعرف على المشية، ربما بسبب نقص البيانات والمخططات الحركية ذات المعلومات المنخفضة. مستوحىً من هذه الملاحظات، نقترح طريقة تنظيم جديدة تعتمد على الأقنعة تُسمى ReverseMask. من خلال حقن الاضطراب في خريطة الميزات، تساعد الطريقة المقترحة في تنظيم العمارة الشبكية (convolutional) على تعلم التمثيلات المميزة وتعزيز قابلية التعميم. كما صممنا كتلة ReverseMask مشابهة للكتلة Inception، والتي تتكون من ثلاثة فروع هي الفرع العالمي والفرع القائم على إسقاط الميزات والفرع القائم على تغيير مقياس الميزات. بدقة، يمكن لفرع الإسقاط استخراج تمثيلات دقيقة عندما يتم إلغاء تنشيط بعض النشاطات جزئياً. وفي الوقت نفسه، يغير فرع تغيير المقياس مقاس خريطة الميزات بشكل عشوائي، مع الحفاظ على المعلومات الهيكلية للنشاطات ومنع الانطباع الزائد. الكتلة المشابهة لـ Inception التي يمكن تركيبها وإزالتها بسهولة (plug-and-play) بسيطة وفعالة في تعميم الشبكات، كما أنها تحسن أداء العديد من الأساليب الرائدة. أظهرت التجارب الواسعة أن التنظيم باستخدام ReverseMask يساعد الأساس في تحقيق دقة أعلى وقابلية للتعميم أفضل. بالإضافة إلى ذلك، حققت الأساس مع كتلة Inception-like أداءً أفضل بكثير من الأساليب الرائدة على أحدث مجموعتين من البيانات الأكثر شهرة وهما CASIA-B وOUMVLP. سيتم إطلاق الكود المصدر.请注意，这里“plug-and-play”翻译为“تركيبها وإزالتها بسهولة”，以符合阿拉伯语的表达习惯；同时，“convolutional architecture”翻译为“العمارة الشبكية”，这是在科技文献中常用的术语。其他术语如“overfitting”、“feature map”等也采用了通用的阿拉伯语译法。