基于掩模正则化的步态识别

大多数步态识别方法利用静态外观和动态行走模式的空间-时间表示。然而，我们观察到许多基于部分的方法忽视了边界处的表示。此外，步态识别中过拟合训练数据的现象相对普遍，这可能是由于数据不足和步态轮廓信息量低所致。受这些观察结果的启发，我们提出了一种新的基于掩码的正则化方法，称为ReverseMask。通过在特征图上注入扰动，所提出的正则化方法有助于卷积架构学习判别性表示，并增强泛化能力。同时，我们设计了一个类似于Inception的ReverseMask模块，该模块由三个分支组成：全局分支、特征丢弃分支和特征缩放分支。具体而言，丢弃分支在部分激活为零时可以提取细粒度表示。与此同时，缩放分支随机缩放特征图，保留激活的结构信息并防止过拟合。这种即插即用的类似Inception的ReverseMask模块简单有效，能够提高网络的泛化能力，并且还提升了多种最先进方法的性能。大量实验表明，ReverseMask正则化有助于基线模型实现更高的准确率和更好的泛化能力。此外，在两个最受欢迎的数据集CASIA-B和OUMVLP上，带有类似Inception模块的基线模型显著优于最先进方法。源代码将对外发布。