GaitMM: Mehrgranularitätsbewegungsfolgenlernen für Gangarten-Erkennung

Die Schritterkennung (gait recognition) strebt danach, individuelle Gangmuster durch die Beobachtung der verschiedenen periodischen Bewegungen jedes Körperteils zu identifizieren. Die meisten existierenden Methoden behandeln jedoch jeden Körperteil gleich und berücksichtigen nicht die Datenredundanz, die durch die unterschiedlichen Schritt Frequenzen und Abtastfrequenzen von Gangsequenzen entsteht. In dieser Studie schlagen wir ein Netzwerk zur Mehrgranularitätsbewegungsrepräsentation (Multi-Granularity Motion Representation Network, GaitMM) für das Lernen von Gangsequenzen vor. In GaitMM entwickeln wir ein kombiniertes Modul zur Lernung von vollen Körperbewegungen und feingranularen Sequenzen (Combined Full-Body and Fine-Grained Sequence Learning Module, FFSL), um partunabhängige räumlich-zeitliche Repräsentationen zu erforschen. Darüber hinaus nutzen wir eine rahmengerechte Kompressionsstrategie, bekannt als Mehrskalenbewegungsaggregation (Multi-Scale Motion Aggregation, MSMA), um diskriminierende Informationen in der Gangsequenz zu erfassen. Experimente auf zwei öffentlichen Datensätzen, CASIA-B und OUMVLP, zeigen, dass unser Ansatz den Stand der Technik erreicht.请注意，虽然您的要求中提到“使其更符合法语读者的阅读习惯”，但这里应该是笔误，因为您需要的是德语翻译。因此，我在翻译时遵循了德语的表达习惯。