本文介绍了多种基于图卷积网络的步态识别方法,如反馈图卷积网络(FGCN)、GaitGraph和CAG,强调其在骨架动作识别中的优势和实验效果。同时,提出了新的时空转换网络和异步多流图卷积网络(AMS-GCN),以提高步态分析的准确性和实用性。
本研究提出了一种名为SpheriGait的方法,通过球面投影增强基于LiDAR的步态识别的空间表征,有效解决了3D动态特征提取的问题。实验结果表明,该方法在SUSTech1K数据集上表现优异,验证了球面投影在提升LiDAR步态识别性能中的有效性。
本文介绍了多种步态识别方法,包括深度集、图卷积网络、元学习和注意力机制等,展示了在不同数据集上的优异性能。研究强调了运动模式与外观信息的相互作用,提出了新型骨骼图表示方法,并指出需要多样化的数据集以推动该领域发展。
本文介绍了基于几何自监督学习的自动WiFi感知模型AutoFi,该模型能够利用低质量CSI样本进行学习,实现跨任务转移。同时,研究提出了GaitFi方法,结合WiFi信号和视频进行人体步态识别,准确率达到94.2%。此外,探讨了数据增强技术对模型推广能力的影响,提升了WiFi活动识别的性能。
本研究提出了多种步态识别方法,包括基于卷积和循环神经网络的双向注意力模型及上下文敏感特征学习网络,展现出优越的识别性能和鲁棒性。同时,构建了新的步态识别基准数据集GREW和Gait3D-Parsing,推动了步态识别技术的发展。
本文介绍了一种新型步态识别方法GaitFi,利用WiFi信号和视频实现人体识别,准确率达到94.2%。同时,研究了可重构智能表面(RIS)的应用,提出基于深度学习的无线配置方法,显著提高了信号传输速率和覆盖效果,为未来无线通信提供了新思路。
该研究提出了一种基于深度学习的低成本惯性传感器误差修正方法IONet,能够准确估计非周期运动轨迹的位移。同时,开发了新算法,提高了自动驾驶汽车对突发障碍物的反应能力,并在步态识别和用户身份认证方面取得了显著进展。
本文介绍了新型模型和方法在视觉语音识别、情感分析、步态识别和视频字幕生成等领域的应用,均在相关基准测试中取得了先进性能。这些方法包括多级时空建模、图神经网络和音频记忆结合唇部运动,展示了特征提取和模型适应方面的创新。
该文综述基于深度学习的步态识别研究,涵盖智能手机惯性传感器、可解释AI、腰部传感器步态事件检测、IMU预测足底反作用力、姿态卷积网络、AutoEncoder框架、骨架姿态估计及GaitFormer模型等,身份识别准确率多超93%,并用于健康监测与行人属性识别。
该文综述基于骨架的步态识别研究进展,涵盖GCN、GaitPT、GaitGraph、TriGait等方法,结合轮廓与关节骨架、姿态估计及图卷积网络,在CASIA-B等数据集上取得最优性能,并探讨数据集、评估方法、挑战与未来方向。
该文综述多项步态识别研究:GaitEdge通过分割合成剪影实现端到端训练;有方法融合轮廓与骨架提升识别性能;TriGait采用三支路融合骨架和轮廓,在CASIA-B上准确率达96.0%;GaitNet可应对服装、携带物和视角干扰;SkeletonGait利用骨骼图结构;GaitASMS提取自适应时空表示;GaitMPL通过记忆渐进学习解决难样本问题。
该文综述基于智能手机与可穿戴传感器的多项研究:利用深度神经网络与低成本IMU估算城市车辆速度并辅助航位推算;用CNN约束惯性测距以提升精度;基于加速度计步态数据以随机森林识别用户身份,准确率达0.9679;结合Carla模拟器与机器学习识别风险驾驶行为;多摄像头深度学习测速优于单摄像头;融合加速度计与陀螺仪的步态认证降低错误率;SpeedNet以自监督方式预测视频对象速度并支持自适应加速;DeepSense框架处理移动感应噪声,用于汽车追踪、活动识别等;三轴加速度计结合深度网络评估轮椅人行道可达性;两阶段流程用RNN与扩展卡尔曼滤波实现手机定位定向。
该文综述多项研究:利用手机加速度计步态数据构建随机森林模型进行身份识别,准确率达0.9679;IADA框架通过小数据训练意图预测模型;智能手表传感器预测情绪准确率93.75%;声学线索多任务模型预测话轮转换;腕部传感器动作触发感知系统预测日常意图;结合ChatGPT生成文本与T2M-GPT合成IMU数据以增强HAR模型;惯性传感器深度学习步态识别准确率超93.5%;多模态数据预测人类意图;共享运动线索解读行为意图;以及社交信号预测数据集与框架。
完成下面两步后,将自动完成登录并继续当前操作。