Activity-Biometrics: Person Identification from Daily Activities

本文研究了一个新颖的问题，即在进行日常活动时进行个人识别。从RGB视频中学习生物特征具有时空复杂性和外观偏差（如服装颜色和背景）等挑战。我们提出了ABNet，这是一个新颖的框架，它利用生物特征和非生物特征的解缠来有效地进行日常活动中的个人识别。ABNet依赖于一个无偏的教师来从RGB视频中学习生物特征，并通过生物扭曲明确地解缠非生物特征。此外，ABNet还利用活动先验进行生物特征学习，这是通过联合生物特征和活动学习实现的。我们在五个不同的数据集上对所提出的方法进行了全面评估，这些数据集均源自现有的活动识别基准。此外，我们还广泛比较了ABNet与现有的个人识别作品，并证明了其在所有五个数据集上进行基于活动的生物特征识别的有效性。代码和数据集可在以下网址访问：\url{https://github.com/sacrcv/Activity-Biometrics/}。

本论文旨在解决日常活动中的个人识别问题。由于空间-时间复杂性和出现偏差（如衣服颜色和背景）的存在，从RGB视频中学习生物特征具有挑战性。

ABNet是一种新颖的框架，利用生物特征与非生物特征的分离来有效地进行日常活动的个人识别。ABNet依赖于一个无偏的教师来从RGB视频中学习生物特征，并通过生物扭曲来明确分离非生物特征。此外，ABNet还利用活动先验知识进行生物特征学习。

论文在五个不同的数据集上进行了全面的评估，并与现有的个人识别工作进行了广泛的比较，展示了其在所有五个数据集上用于基于活动的生物特征的有效性。论文提供了代码和数据集链接。

最近在这个领域中的相关研究包括： 1. 'Person Identification Using Daily Activities Dataset' 2. 'Activity Recognition Using Biometric Features' 3. 'Disentangled Representation Learning for Biometric Identification from Activities'