Gaitsg：グラフ構造におけるSMPLSによる歩行認識

歩行認識は、彼のユニークな歩行パターンに基づいて人を特定することを目指しています。シルエットやスケルトンと比較して、皮を剥いたマルチパーソン線形（SMPL）モデルは、人間のポーズと形状情報を同時に提供し、視点や衣服の分散に堅牢です。ただし、以前のアプローチでは、SMPLパラメーターが全体としてのみ考慮されており、まだ歩行認識の可能性を徹底的に調査していません。この問題に対処するために、SMPL表現に集中し、Gaitsgという名前のGaitSgという名前の新しいSMPLベースの方法を、グラフ構造のSMPLパラメーターを入力として使用することを提案します。具体的には、SMPLモデルをグラフノードとして表し、グラフ畳み込み技術を使用して、人間のモデルトポロジを効果的にモデル化し、識別歩行機能を生成します。さらに、人体の事前知識を利用して、視点情報を明示的にエンコードするために、新しいパーツグラフプーリングブロックPGPBを精巧に設計します。PGPBはまた、グラフ構造の物理的距離とアウェアの制限を軽減します。Public Gait認識データセットであるGait3DおよびCasia-Bに関する包括的な実験は、Gaitsgが既存のモデルベースのアプローチよりも優れたパフォーマンスと速い収束を達成できることを示しています。具体的には、ベースラインSMPLGAIT（3Dのみ）と比較して、モデルはランク1の精度の約2倍を達成し、GAIT3Dでのトレーニングの反復の3倍を必要とします。

Gait recognition aims to identify a person based on his unique walking pattern. Compared with silhouettes and skeletons, skinned multi-person linear (SMPL) models can simultaneously provide human pose and shape information and are robust to viewpoint and clothing variances. However, previous approaches have only considered SMPL parameters as a whole and are yet to explore their potential for gait recognition thoroughly. To address this problem, we concentrate on SMPL representations and propose a novel SMPL-based method named GaitSG for gait recognition, which takes SMPL parameters in the graph structure as input. Specifically, we represent the SMPL model as graph nodes and employ graph convolution techniques to effectively model the human model topology and generate discriminative gait features. Further, we utilize prior knowledge of the human body and elaborately design a novel part graph pooling block, PGPB, to encode viewpoint information explicitly. The PGPB also alleviates the physical distance-unaware limitation of the graph structure. Comprehensive experiments on public gait recognition datasets, Gait3D and CASIA-B, demonstrate that GaitSG can achieve better performance and faster convergence than existing model-based approaches. Specifically, compared with the baseline SMPLGait (3D only), our model achieves approximately twice the Rank-1 accuracy and requires three times fewer training iterations on Gait3D.