GaitPart : Modèle basé sur les parties temporelles pour la reconnaissance de la marche

La reconnaissance de la démarche, appliquée à l'identification des motifs de marche individuels à longue distance, constitue l'une des technologies biométriques basées sur la vidéo les plus prometteuses. Actuellement, la plupart des méthodes de reconnaissance de la démarche traitent tout le corps humain comme une unité unique afin de construire des représentations spatio-temporelles. Toutefois, nous avons observé que différentes parties du corps humain présentent des apparences visuelles et des schémas de mouvement nettement distincts lors de la marche. Dans les travaux récents, l'utilisation de caractéristiques partielles pour décrire le corps humain s'est avérée bénéfique pour l'identification individuelle. En intégrant ces observations, nous supposons que chaque partie du corps nécessite sa propre représentation spatio-temporelle. À cette fin, nous proposons un nouveau modèle basé sur les parties, appelé GaitPart, qui améliore significativement les performances sous deux aspects : d'une part, nous introduisons une nouvelle architecture de convolution, la couche de convolution focalisée (Focal Convolution Layer), destinée à renforcer l'apprentissage fine-grained des caractéristiques spatiales au niveau des parties. D'autre part, nous proposons un module de capture des micro-mouvements (Micro-motion Capture Module, MCM), dont plusieurs instances parallèles sont intégrées dans GaitPart, chacune correspondant à une partie prédéfinie du corps humain. Il est à noter que le MCM représente une approche originale de modélisation temporelle pour la tâche de reconnaissance de la démarche, en se concentrant sur les caractéristiques temporelles à court terme, plutôt que sur les informations redondantes à long terme associées aux cycles de marche. Des expériences menées sur deux des jeux de données publics les plus populaires, CASIA-B et OU-MVLP, démontrent de manière convaincante que notre méthode atteint un nouveau record d'état de l'art sur plusieurs benchmarks standards. Le code source sera disponible à l’adresse suivante : https://github.com/ChaoFan96/GaitPart.