(Gait部分)论文阅读笔记 (Gait部分)论文阅读笔记

Gait Part论文核心内容解析

• 摘要与结论

  • 方法

  • • 流程
    • 帧级部分特征提取器
    • 时间特征聚合器

  • 思考

abstract and conclusion

以往的探究多采用将整体身体结构输入网络的方式来获取时空特征。然而，研究发现，在行走过程中，人体各部位呈现出各异的外观特征与运动规律。因此，我们主张每个身体部位应具备独立的时空表征方式。基于此，我们设计了一种基于部件的模型（GaitPart），该模型在空间维度上对步态数据进行分块处理，每一块均采用结构相同但参数不同的网络提取特征。以其中一块为例：在空间维度上，提出了一种新型卷积操作——Focal Convolution Layer，旨在提升局部空间特征的精细化学习能力；在时间维度上，则引入了微运动捕捉模块，用于从细分的时间片段中提取有效特征。

方法设计与实现

Pipeline

首先，将步态数据沿高度方向划分为多个区域，针对每个区域，先提取其空间特征，并通过池化操作将其转换为一维向量。随后，将同一区域内不同帧所对应的一维