تمثيل المشي، المطبق لتحديد أنماط المشي الفردية على مسافات طويلة، يُعد أحد أكثر تقنيات الهوية البيومترية القائمة على الفيديو واعدةً. في الوقت الراهن، تأخذ معظم طرق تمثيل المشي الجسم البشري كوحدة واحدة لبناء تمثيلات فضائية زمنية. ومع ذلك، لاحظنا أن أجزاء مختلفة من الجسم البشري تتميز بظهور بصري ونمط حركة متميزين بشكل واضح أثناء المشي. وفي الأدبيات الحديثة، تمت إثبات فائدة استخدام الميزات الجزئية لوصف الجسم البشري في التعرف على الأفراد. بالاعتماد على هذه الملاحظات، نفترض أن كل جزء من الجسم يحتاج إلى تمثيل فضائي زماني خاص به. ثم نقترح نموذجًا جديدًا يعتمد على الأجزاء يُسمى GaitPart، ويحقق تحسنًا في الأداء من جهتين: من ناحية، نقدم طبقة ت.Convolution تركيزية (Focal Convolution Layer)، وهي تطبيق جديد للاندماج التوافقي، بهدف تعزيز التعلم الدقيق للخصائص المكانية على مستوى الأجزاء. ومن ناحية أخرى، نقترح وحدة التقاط الحركة الدقيقة (Micro-motion Capture Module - MCM)، ونضع عدة وحدات MCM متوازية في نموذج GaitPart، كل منها مخصص لجزء مُحدَّد مسبقًا من الجسم البشري. ومن الجدير بالذكر أن وحدة MCM تمثل طريقة جديدة لنمذجة الجوانب الزمنية في مهام تمثيل المشي، حيث تركز على السمات الزمنية القصيرة المدى بدلًا من السمات الزمنية الطويلة المفرطة التي تُعتبر غير ضرورية في دورة المشي. وقد أظهرت التجارب على إحدى أكثر قواعد البيانات العامة شهرةً، وهما CASIA-B وOU-MVLP، بشكل وافٍ أن طريقة التوصية تحقق حالة متقدمة جديدة على العديد من المعايير القياسية. وستكون الشفرة المصدرية متاحة عبر الرابط: https://github.com/ChaoFan96/GaitPart.