Istraživanje samonadziranih transformatora vida za prepoznavanje hoda u divljini 3. dio

Koristimo jednostavan upsample za interpolaciju između susjednih spojeva (slika 3). Međutim, naivni rad na kosturu dovodi do lažnih spojeva preko skeleta, bez obzira na izbor formata skeleta (npr. OpenPose ili COCO), budući da poredak zglobova ne čuva nikakvo semantičko značenje.

Redoslijed zglobova se odnosi na pomicanje zglobova tijela određenim redoslijedom. Ova vrsta vježbanja igra važnu ulogu u održavanju fizičkog zdravlja i poboljšanju tjelesne memorije.

Prije svega, sekvenciranje zglobova može promovirati koordinirano kretanje različitih dijelova tijela, povećati snagu mišića i poboljšati kardiopulmonalnu funkciju, što sve pomaže u održavanju dobrog zdravlja. Istovremeno, redovno poravnavanje zglobova može smanjiti ukočenost i bol u tijelu, poboljšati držanje i ravnotežu, te odgoditi opadanje fizičke funkcije uzrokovano godinama.

Drugo, sekvencioniranje zglobova takođe može poboljšati pamćenje. Istraživanja pokazuju da vježbanje može stimulirati rast i veze neurona mozga, čime se potiče razmjena informacija između neurona, što može pomoći u poboljšanju pamćenja i sposobnosti učenja. Slijedeći pokreti zglobova zahtijevaju od mozga da daje točne upute za pokrete različitih dijelova tijela, što je od velike pomoći u razvoju koordinacije i sposobnosti pamćenja mozga.

Konačno, sekvenciranje zglobova također može ublažiti stres i anksioznost i poboljšati emocionalnu stabilnost. Vježbanje može osloboditi neke tvari u tijelu, kao što su dopamin i endorfini, koji mogu pomoći u ublažavanju emocionalnih problema i poboljšanju osjećaja sreće i zadovoljstva u tijelu. Ovi faktori takođe imaju pozitivan uticaj na poboljšanje pamćenja.

Ukratko, postoji pozitivna veza između sekvenciranja zglobova i pamćenja. Kroz redovne vježbe sekvenciranja zglobova, možete promovirati zdrav razvoj tijela i mozga, poboljšati pamćenje i sposobnosti učenja te poboljšati emocionalnu stabilnost. Obratimo pažnju na dobro zdravlje i uživajmo zajedno u ljepoti života! Vidi se da moramo poboljšati pamćenje, a cistanche deserticola može značajno poboljšati pamćenje jer je cistanche deserticola tradicionalni kineski ljekoviti materijal koji ima mnogo jedinstvenih učinaka, od kojih je jedno poboljšanje pamćenja. Djelotvornost mljevenog mesa proizlazi iz različitih aktivnih sastojaka koje sadrži, uključujući kiselinu, polisaharide, flavonoide, itd. Ovi sastojci mogu promovirati zdravlje mozga na različite načine.

Kliknite znati suplemente za poboljšanje pamćenja

Ovo zapažanje je u skladu sa radom Yanga et al. [44], koji predlaže sliku skeleta strukture stabla (TSSI) kako bi predložio prostorne odnose između spojeva. Zasnovan je na redosledu prelaska stabla u dubinu, koji čuva strukturne informacije skeleta. Slika 3 (desno), prikazuje efekte različitih formata skeleta i metoda upsample. Za ovu metodu promjene veličine koristili smo TSSI format i bikubnu interpolaciju.

Nadalje, eksperimentirali smo s dvije metode povećanja, koje su se mogle naučiti tokom treninga. Koristili smo jednostavan linearni sloj nanesen na svaki spljošteni kostur kako bismo povećali broj zglobova. Ovo je najjednostavniji način transformacije svakog skeleta, ali ne uzima u obzir nikakve prostorne odnose između zglobova. Da bismo ovo riješili, također koristimo skup 2D dekonvolucijskih slojeva na sekvenci kostura za promjenu veličine, uz istovremeno uzimanje u obzir strukturnih informacija; za ovu metodu koristimo i TSSI format.

Tabela 1 prikazuje rezultate za svaku metodu promjene veličine za sve arhitekture. Modeli su obučavani i evaluirani na CASIA-B tokom 200 epoha, a mi pokazujemo rezultate za normalno hodanje. Za ostatak naših eksperimenata, odlučili smo da povećamo uzorkovanje sekvence skeleta bikubičnom interpolacijom.

Iako postoji nekoliko mogućih samonadziranih postupaka prije treninga, odlučili smo se za kontrastni pristup prije treninga jer je to isti postupak za stvarni zadatak pronalaženja prepoznavanja hoda. Kontrastivni pristupi potiču predstave koje pripadaju istoj klasi da budu bliske u latentnom prostoru, dok su istovremeno udaljene od reprezentacija koje pripadaju različitim klasama.

Konkretno, koristimo Supervised Contrastive [45] za predtrening. Gubitak SupCon-a djeluje na više pregledanu grupu: svaki uzorak u seriji ima višestruke proširene verzije samog sebe. Pokazalo se da je prirodno robusnije oštećenje podataka, ublažava potrebu za pažljivim odabirom trojki jer gradijent podstiče učenje iz teških primjera i manje je osjetljiv na hiperparametre.

3.4. Povećanje podataka

Trening na kontrastivan način sa samonadziranim načinom s gubitkom SupCon podrazumijeva korištenje povećanja podataka kako bi se obezbijedilo višestruko proširene "poglede" iste sekvence skeleta. Povećanja korištena za naše sekvence hodajućeg skeleta su u skladu s drugim radovima u ovoj oblasti [10,12, 30]. Glavno korišteno uvećanje je nasumično vremensko izrezivanje sa dužinom perioda od T=64 okvira.

S obzirom na to da se skeleti prate promjenjivo vremensko trajanje, koristimo izrezivanje kako bismo osigurali da sve sekvence imaju istu dužinu. Štaviše, osoba koja hoda može promijeniti smjer i izvoditi druge radnje tokom praćenog trajanja; shodno tome, obrezivanje izaziva veću varijabilnost za isti niz.

Nadalje, mijenjamo tempo hodanja usporavanjem ili ubrzavanjem hoda. Koristili smo modifikatore brzine {{{0}}.5, 0.75, 1, 1.25, 1.5, 1.75, 2.0}. Ovo je prilagođeno iz rada Wang et al. [48] ​​za samokontrolisano učenje video reprezentacija. Štaviše, modifikacija pejsom se koristila u analizi hoda u prošlosti [33].

Također koristimo nasumično okretanje sa vjerovatnoćom {{0}}}.5, preokret sekvence sa vjerovatnoćom 0.5, aditivni Gausov šum za svaki spoj sa σ=0.005, i nasumično ispadanje od 5% zglobova sa vjerovatnoćom od 0,01 za simulaciju nedostajućih zglobova iz modela poseestimacije.

3.5. Metode inicijalizacije

Da bismo procijenili utjecaj performansi samonadziranog prije treninga na predložene arhitekture, istražujemo tri različite metode inicijalizacije. Tabela 2 prikazuje različite skupove podataka koji se koriste u literaturi. Dok su CASIA-B [6] i FVG[29] kontrolirani skupovi podataka, koji se uglavnom koriste za evaluaciju, mi koristimo DenseGait [12] i GREW [7] za samonadziranu prettrening za pet arhitektura. DenseGait i GREW su dvije najveće realistične baze podataka o hodu, prikupljene na otvorenom, koje vjerojatno sadrže većinu varijacija hoda, ponašanja i složenosti prisutnih u svakodnevnom životu. Odabrali smo ove skupove podataka da imaju općenitije reprezentacije hoda, kako bismo omogućili autentifikaciju hoda u općim scenarijima nadzora.

DenseGait Pretrening DenseGait je skup podataka o hodu velikih razmjera "u divljini" koji se automatski prikuplja iz tokova nadzora. Sadrži 217 K praćenih sekvenci skeleta, ekstrahovanih pomoću AlphaPose [22], u različitim okruženjima i uglovima kamere sa više geografskih lokacija. Pošto se DenseGait prikuplja automatski, njegove napomene u smislu identifikatora praćenja su bučne, a skup podataka može sadržavati sekvence o istoj temi, iako je to rijetka pojava. Međutim, to je slučaj za većinu velikih neoznačenih skupova podataka koji sadrže uzorke koji pripadaju istoj semantičkoj klasi, što se smatra nepovezanim tokom obuke. Svaku arhitekturu unapred treniramo na DenseGait-u i koristimo obučene parametre za dalju procenu performansi kontrolisanih skupova podataka.

GREW Pretrening GREW je još jedan skup podataka "u divljini" na otvorenom, ali je pažljivo označen tako da sadrži subjekte koji hodaju kroz više dana i različite vrste odjeće. Međutim, da bismo se uskladili sa zahtjevima samonadziranog režima, odbacimo napomene i tretiramo svaku sekvencu hodanja kao zasebnu osobu. GREW je 2× manji od DenseGait-a, koji sadrži 128 K sekvenci skeleta, dok se svaki pješak prati u kraćem prosječnom trajanju [12]. Također treniramo svaku arhitekturu na GREW-u i koristimo obučene parametre za procjenu performansi nizvodno.

Nasumična inicijalizacija Ova metoda inicijalizacije ne odgovara prethodnoj obuci (tj. obuci od nule). Svaka arhitektura se trenira sa nasumičnom inicijalizacijom težine na nizvodnim skupovima podataka. Ova metoda je osnova za poređenje poboljšanja performansi pretreningom.

3.6. Evaluacija

Izvođenje zadataka nizvodno se procjenjuje na dva različita načina za prepoznavanje hoda. Direktno testiramo mogućnosti preuzimanja unaprijed obučenih arhitektura, bez finog podešavanja za određeni zadatak. Ova metoda odgovara nultom prijenosu. Dalje, fino podesimo svaku arhitekturu koristeći 10× manju stopu učenja nego tokom pretreninga, sa progresivno manjom stopom učenja na početku mreže, što odgovara politici opadanja brzine učenja u slojevima (LLRD) [50].

Procjena performansi nizvodno se izvodi na dva popularna skupa podataka za prepoznavanje hoda: CASIA-B [6] i FVG [29]. Oba skupa podataka sadrže mali broj subjekata pod strogim protokolima hodanja, koji se kontroliraju na osnovu različitih zbunjujućih faktora: ugla kamere, odjeće, pribora i brzine hoda.

CASIA-B je skup podataka za zatvorene prostore koji sadrži 124 subjekta snimljene sa 11 sinhronizovanih kamera. Svaki pojedinac hoda u tri različita stanja: normalno hodanje, promjena odjeće i nošenje torbe. Od svog objavljivanja, bio je osnovni proizvod za benchmarking modela gaitanalize, kao jedan od najčešće korištenih skupova podataka u ovoj oblasti. Koristimo prva 62 predmeta kao set za obuku, a ostatak od 62 za evaluaciju učinka. Za prepoznavanje hoda, biramo da procjenjujemo performanse na osnovi ugla u postavci "izostaviti jedan van", u kojoj skup galerije sadrži sve uglove hoda osim ugla sonde.

Front-View Gait je još jedan popularan skup podataka za prepoznavanje hoda, koji ima 226 subjekata koji hodaju na otvorenom prema različitim protokolima. Za razliku od CASIA-B, FVG sadrži dodatne zbunjujuće faktore: brzinu hodanja, pretrpanu pozadinu i protok vremena (tj. neki subjekti imaju registrovane šetnje koje traju godinu dana). Osim toga, svi subjekti su snimljeni uglom kamere okrenute prednje strane, koji se smatra najtežim uglom za prepoznavanje hoda jer sadrži najmanju količinu percipiranih varijacija pokreta zglobova. Prvih 136 predmeta koristili smo za obuku, a ostale za evaluaciju rada. Evaluacija performansi za prepoznavanje hoda pridržava se protokola koje su ucrtali autori, u kojima koristimo normalnu sekvencu hodanja u skupu galerije i druge uslove u skupu sonde.

Za sve scenarije evaluacije koristimo determinističko izrezivanje u središtu niza hoda i ne koristimo nikakva povećanja vremena testiranja.

4. Eksperimenti i rezultati

4.1. Evaluacija CASIA-B

Svaku arhitekturu unapred obučavamo na DenseGait-u i GREW-u, respektivno, i procenjujemo performanse na CASIA-B i FVG. U prvom setu eksperimenata, zainteresovani smo za procjenu performansi CASIA-B u scenariju finog podešavanja nakon predtreninga, sa progresivno većim uzorcima za obuku. Svaku mrežu smo obučili za prva 62 identiteta, sa svim dostupnim varijacijama hodanja, a ostale smo zadržali za testiranje. Evaluacija prepoznavanja je izvršena korištenjem prva 4 normalna hodajuća uzorka kao galerijskog skupa, a ostala kao set sonde. Slika 4 prikazuje tačnost za svaku od tri varijacije hodanja (normalno—NM, odjeća—CLm i torba za nošenje—BG) za CASIA-B. Za ovaj scenario, nasumično smo uzorkovali K={1, 2, 3, 5, 7, 10} hoda po subjektu, po kutu, i obučili model. Iako su performanse relativno slične između arhitektura, jasno je da pretrening nudi značajno povećanje performansi u poređenju sa nasumičnom inicijalizacijom, bez obzira na izbor skupa podataka pre treninga.

Štaviše, čini se da SimpleViT, CrossFormer i Twins-SVT imaju slične visoke performanse, dok Token2Token malo zaostaje. Ovo sugeriše da metoda progresivne tokenizacije koja se koristi u Token2Tokenu, a koja je posebno dizajnirana za strukture nalik na sliku, ne obuhvata efektivno karakteristike nizova hoda. Primjetna je razlika između skupova podataka prije treninga: čini se da DenseGaits nudi konzistentno povećanje performansi u dvije varijacije hodanja (CL i BG) u poređenju sa GREW. Ovo ukazuje na činjenicu da DenseGait uključuje izazovnije i realnije scenarije koji bolje pripremaju model za uslove u kojima na obrazac hodanja utiču vanjski faktori.

Arhitekture su obučene da mapiraju sekvence hodanja u prostor za ugrađivanje, gdje blizina između tačaka odražava sličnost odgovarajućih sekvenci hodanja. To znači da bi ugradnje nevidljivih sekvenci hoda iz istog identiteta trebale biti blizu jedna drugoj u prostoru ugradnje i formirati klastere, dok bi ugradnje različitih identiteta trebale biti dalje jedno od drugog i formirati različite klastere. Ovo je važno jer omogućava modelu da generalizira na nevidljive sekvence hoda i precizno identifikuje pojedinca korištenjem pristupa najbližeg susjeda. Na slici 5, predstavljamo grupisanje za ugradnje za svaki identitet u test skupu CASIA-Bafterove dimenzionalne redukcije sa t-SNE [51]. Koristili smo 256-dimenzionalni embedding vektor i projektovali ga u dvije dimenzije. Čini se da SimpleViT i CrossFormer imaju najbolje razdvajanje identiteta, bez obzira na ugao kamere.

4.2. Evaluacija FVG

Slično, procijenili smo performanse svake arhitekture na FVG-u, koji se kvalitativno razlikuje od CASIA-B, jer sadrži samo jedan ugao gledanja. Fino podešavamo unapred obučenu mrežu na razlomku f={0.1, 0.2, 0.3, {{10 }}.5, 0.7, 1.0} od 12 trčanja osoba u setu za obuku. Rezultati finog podešavanja su predstavljeni na slici 6. Rezultati prate sličan trend kao i za CASIA-B: SimpleViT i CrossFormer imaju konstantno visoke performanse, a upotreba skupa podataka za prethodnu obuku je korisna za nizvodne performanse. Nadalje, čini se da prethodna obuka na DenseGait-u kontinuirano poboljšava preciznost. Kao što su primijetili Cosma i Radoi [12], DenseGait sadrži subjekte koji se prate duže vrijeme, a to pruža više varijacija u kontrastivnom cilju učenja, slično nasumičnom izrezivanju za samo-nadgledanu prettrening za prirodne slike. Slično rezultatima na CASIA-B, varijacija odjeće značajno zaostaje za uobičajenim scenarijem hodanja.

U tabeli 4 predstavljamo detaljnije rezultate na testnom skupu FVG između prethodno obučenih modela, slično scenariju CASIA-B. Rezultati pre treninga su konzistentni: predtrening na DenseGait-u direktno korelira sa poboljšanjem tačnosti nizvodno. Dok prethodna obuka na oba skupa podataka poboljšava performanse u svim scenarijima, poboljšanje je posebno značajno u scenariju CBG (zatrpana pozadina) koji se obično sastoji od više ljudi u videu, slično onome što bi se očekivalo u realnim postavkama. Ovo poboljšanje vjerovatno dolazi iz činjenice da su DenseGait i GREW bili okupljeni u prirodnim, nekontrolisanim okruženjima, što ih čini realnijim i izazovnijim, čime se bolje priprema model za slične uslove kao u CBG scenariju. Rangiranje između modela je slično CASIA-B: SimpleViT, CrossFormer i Twins-SVT konstantno nadmašuju CaiT i Token2Token. I za CASIA-B i za FVG, CaiT malo zaostaje za ostalim modelima.

4.3. Test prostorno-vremenske osjetljivosti

Jedna posebnost vizionih transformatora je proizvoljan izbor dimenzija zakrpa, što se može pokazati kao presudno u konačnoj izvedbi. U slučaju obrade slike, dimenzije zakrpe nisu posebno važne, zbog translacijske nepromjenjivosti semantičkog sadržaja u slici.

Za skeletne sekvence, međutim, dimenzije zakrpa odgovaraju specifičnim i interpretabilnim karakteristikama ulaza: visina zakrpe predstavlja količinu prostornih informacija sadržanih u zakrpu (tj. broj uključenih skeletnih zglobova), dok vremenske dimenzije predstavljaju količinu uključenih vremenskih informacija ( odnosno broj okvira). Ravnoteža između njih treba pažljivo razmotriti u korištenju prilagođenih transformatora vida za analizu hoda. Na slici 7 prikazujemo toplotnu mapu u kojoj svaka ćelija predstavlja performanse obučenog modela (nasumično inicijaliziranog) na CASIA-B za normalno hodanje. Obučavamo svaki model 50 epoha za pošteno poređenje i mjerenje brzine konvergencije u fiksnom broju koraka.
Napravili smo dvije toplotne karte, jednu za SimpleViT i jednu za CaiT jer imaju sličnu temeljnu kičmu, i jednostavno je modificirati veličine zakrpa. Isti proces se može izvesti i za druge testirane arhitekture. Zaključujemo da manje veličine zakrpa odgovaraju pozitivnom povećanju performansi modeliranja za skeletne sekvence, dok kompromis između prostornih i vremenskih dimenzija nije presudan, budući da su performanse slične - matrica toplotne karte je prilično simetrična po drugoj dijagonali. Stoga, manje kvadratne veličine zakrpa kao što je (2, 4) u prostornim i vremenskim dimenzijama najbolje odgovaraju ovom zadatku, dok veće veličine zakrpa kao što je (32, 32) sadrže premalo diskriminirajućih informacija. Međutim, manja veličina zakrpe jednostavno povećava broj zakrpa, što zahtijeva više računarske snage. Za naše podešavanje dva NVIDIA RTX 3060 GPU-a, prijavili smo greške vezane za nedostatak memorije za neke kombinacije manjih veličina zakrpe.

Najvjerovatniji razlog za poboljšane performanse s manjim veličinama zakrpa je taj što arhitektura može bolje uhvatiti složenost obrasca hoda računanjem složenijih interakcija između zakrpa. Zakrpe s najvećim mogućim prostornim veličinama i najmanjim mogućim vremenskim veličinama mogu se smatrati potpunim prikazom skeleta, dok zakrpe s najvećim mogućim vremenskim veličinama i najmanjim mogućim prostornim veličinama hvataju cjelokupnost pokreta pojedinačnog zgloba. Kao što se može primijetiti, najveća preciznost se postiže kada veličina zakrpa uključuje ravnotežu prostornih i vremenskih informacija, koje odgovaraju malim pokretima blisko povezanih zglobova.

5. Diskusija i zaključci

U ovom radu dali smo sveobuhvatnu evaluaciju pet popularnih varijanti transformatora vida prilagođenih za obradu skeletnih sekvenci. Naši napori su u skladu sa nedavnim napretkom u dubokom učenju da suštinski ujedinimo različite modalitete u okviru arhitekture transformatora. Predložili smo metodu prostornog povećanja uzorkovanja za skelete (bicubicupsampling sa TSSI skeletnim formatom) kako bi se umjetno povećao broj spojeva, tako da sekvenca može biti pravilno konzumirana od strane enkodera transformatora. Štaviše, svaka arhitektura je obučena u okviru paradigme obuke samonadzora na dva opšta i velika skupa podataka o hodu (tj. DenseGait i GREW), a zatim je evaluirana na dva skupa podataka za prepoznavanje hoda u kontrolisanim okruženjima (tj. CASIA-B i FVG). Odlučili smo da usvojimo paradigmu samonadziranog učenja kako bismo dobili opće karakteristike hoda, neograničene na određenu varijaciju hodanja ili gledište kamere.

Naši rezultati ukazuju na potrebu za velikom količinom, visokim kvalitetom i raznolikim skupovima podataka za modele analize hoda prije treninga. Pokazali smo da predtrening na DenseGait-u nudi dosljedna poboljšanja tačnosti u odnosu na GREW, zbog povećanja veličine, broja varijacija i prosječnog trajanja hoda [12]. Najznačajnija korist je, međutim, u situacijama sa malim količinama dostupnih podataka o obuci. Naši rezultati pokazuju da trening od nule dovodi do znatno lošijih rezultata od finog podešavanja čak i sa skromnim količinama podataka (tj. 10 sekvenci po osobi). Trenutno se većina pristupa hodanju izvodi u zatvorenom prostoru u strogo kontroliranom okruženju, koje se ne može generalizirati na složenost interakcija u stvarnom svijetu. Različiti skupovi podataka o treningu ključni su za izvođenje precizne analize ponašanja u divljini, posebno zato što je hod biometrijska karakteristika na koju lako utiču vanjski faktori okoline, kao i unutrašnje i emocionalne komponente.

Naša studija ablacije pokazuje da su manje prostorno-vremenske mrlje korisne za bolje rezultate nizvodno. Ovaj uvid daje informaciju budućem razvoju sekvenci forskeleta arhitekture, koje su se ranije oslanjale na obradu pojedinačnog skeleta na jednoj zakrpi [12].

Uz istovremene napore da dovedemo analizu hoda u realistična okruženja, naš daljnji rad omogućava prijelaz autentifikacije hoda i analize ponašanja iz zatvorenog, kontroliranog okruženja u vanjsko okruženje u stvarnom svijetu. Prepoznavanje hoda u prirodi postat će sveprisutno s razvojem pametnih senzora i efikasnih neuronskih arhitektura koje obrađuju ponašanje vođeno pokretom u realnom vremenu.

Reference

1. Kyeong, S.; Kim, SM; Jung, S.; Kim, DH Analiza obrasca hoda i identifikacija kliničke podgrupe: Retrospektivna opservaciona studija. Medicina 2020, 99, e19555. [CrossRef] [PubMed]

2. Michalak, J.; Troje, NF; Fischer, J.; Vollmar, P.; Heidenreich, T.; Schulte, D. Utjelovljenje tuge i depresije – obrasci hoda povezani s disforičnim raspoloženjem. Psihosom. Med. 2009, 71, 580–587. [CrossRef] [PubMed]

3. Willems, TM; Witvrouw, E.; De Cock, A.; De Clercq, D. Faktori rizika vezani za hod za bol u donjem dijelu nogu povezan s vježbanjem tokom trčanja. Med. Sci. Sports Exerc. 2007, 39, 330–339. [CrossRef] [PubMed]

4. Singh, JP; Jain, S.; Arora, S.; Singh, UP Prepoznavanje hoda zasnovano na viziji: anketa. IEEE Access 2018, 6, 70497–70527. [CrossRef]

5. Makihara, Y.; Nixon, MS; Yagi, Y. Prepoznavanje hoda: baze podataka, reprezentacije i aplikacije. Račun. Vis. Ref. Vodič 2020,1–13.

6. Yu, S.; Tan, D.; Tan, T. Okvir za procjenu utjecaja ugla gledanja, odjeće i stanja nošenja na prepoznavanje hoda. U Zborniku radova 18. međunarodne konferencije o prepoznavanju uzoraka (ICPR'06), Hong Kong, Kina, 20–24. kolovoza 2006.; svezak 4, str. 441–444.

7. Zhu, Z.; Guo, X.; Yang, T.; Huang, J.; Deng, J.; Huang, G.; Du, D.; Lu, J.; Zhou, J. Prepoznavanje hoda u divljini: mjerilo. InProceedings of the IEEE International Conference on Computer Vision (ICCV), Montreal, BC, Kanada, 11-17. oktobar 2021.

8. Chao, H.; On, Y.; Zhang, J.; Feng, J. Gaitset: O hodu kao skupu za prepoznavanje hoda u poprečnom pogledu. U Proceedings of the AAAIConference on Artificial Intelligence, Honolulu, HI, SAD, 27. januar – 1. februar 2019.; Sveska 33, str. 8126–8133. 

9. Fan, C.; Peng, Y.; Cao, C.; Liu, X.; Hou, S.; Chi, J.; Huang, Y.; Li, Q.; He, Z. Gaitpart: Temporal part-based model za prepoznavanje hoda. U Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition, Seattle, WA, SAD, 13–19. jun 2020.; str. 14225–14233.

10. Cosma, A.; Radoi, IE WildGait: Učenje reprezentacija hoda iz sirovih tokova nadzora. Senzori 2021, 21, 8387. [CrossRef][PubMed]

For more information:1950477648nn@gmail.com