La plupart des méthodes de reconnaissance de la démarche exploitent des représentations spatio-temporelles issues des apparences statiques et des modèles de marche dynamiques. Cependant, nous observons que de nombreuses méthodes basées sur les parties négligent les représentations aux frontières. De plus, le phénomène d'overfitting sur les données d'entraînement est relativement courant en reconnaissance de la démarche, peut-être en raison d'un manque de données et de silhouettes de démarche peu informatives. Motivés par ces observations, nous proposons une nouvelle méthode de régularisation basée sur un masque, appelée ReverseMask. En injectant des perturbations dans la carte des caractéristiques, cette méthode de régularisation aide l'architecture convolutive à apprendre des représentations discriminantes et améliore la généralisation.De plus, nous avons conçu un bloc ReverseMask inspiré du modèle Inception, qui comprend trois branches : une branche globale, une branche d'élimination de caractéristiques (feature dropping) et une branche d'échelle des caractéristiques (feature scaling). Précisément, la branche d'élimination peut extraire des représentations fines lorsque certaines activations sont annulées. Parallèlement, la branche d'échelle échelle aléatoirement la carte des caractéristiques tout en conservant les informations structurelles des activations et en empêchant l'overfitting. Le bloc ReverseMask inspiré du modèle Inception est simple et efficace pour généraliser les réseaux neuronaux, et il améliore également les performances de nombreuses méthodes d'avant-garde. Des expériences approfondies montrent que la régularisation ReverseMask aide le modèle de base à atteindre une précision plus élevée et une meilleure généralisation. De plus, le modèle de base avec le bloc inspiré du modèle Inception surpasse significativement les méthodes d'avant-garde sur deux jeux de données populaires, CASIA-B et OUMVLP. Le code source sera rendu disponible.