基于频域注意力时空卷积网络的步态识别方法

摘要

为了解决步态信息冗余多、特征重要性分布不均匀以及步态的时空特征难以学习的问题,提出了基于频域注意力的时空卷积网络进行步态识别。该方法改进了三维卷积网络(C3D)学习时空特征,同时提出了一种频域注意力卷积操作,既减少了冗余计算,注意力的调整又提高了学习效果。网络首先将步态信息划分为五组,然后通过改进的卷积进行时空特征抽取,最后通过Softmax层进行分类。在中科大数据集CASIA dataset B中进行测试,在Bag状态与Coat状态下准确率分别为88.5%、92.8%,分别较传统深度卷积网络(Deep CNN)提升3%左右,同时注意力在网络学习中重新分布,各个角度下的准确率也平均提升2%左右。