Gait Recognition from Highly Compressed Videos

监控录像是进行步态分析的有价值资源和机会。然而，这类录像通常质量低且噪声水平高，这可能会严重影响姿态估计算法的准确性，而姿态估计是可靠步态分析的基础。现有文献表明，姿态估计的有效性与随后的步态分析结果之间存在直接关联。常见的缓解策略是在嘈杂数据上微调姿态估计模型以提高鲁棒性。然而，这种方法可能会降低下游模型在原始高质量数据上的性能，导致在实践中不可取的权衡。我们提出了一个处理流程，其中包含一个专门设计用于预处理和增强监控录像的任务定向的伪影校正模型，以进行姿态估计。我们的伪影校正模型被优化，可以与最先进的姿态估计网络HRNet一起工作，而不需要重复微调姿态估计模型。此外，我们提出了一种简单而稳健的方法，可以自动获取低质量视频，并在目的是训练伪影校正模型的情况下注释出姿势。我们系统地评估了我们的伪影校正模型在一系列嘈杂的监控数据上的性能，并证明了我们的方法不仅可以在低质量的监控录像上实现改进的姿态估计，还可以保持高分辨率录像上的姿态估计的完整性。我们的实验表明，步态分析性能明显提高，支持所提出的方法作为直接微调策略的优越替代方案的可行性。我们的贡献为使用监控数据进行更可靠的步态分析铺平了道路，无论数据质量如何，都可以在实际应用中使用。

论文旨在解决监控录像质量低、噪声大对姿态估计算法准确性的影响，提出一种针对任务的伪影校正模型，用于预处理和增强监控录像，以改善姿态估计的鲁棒性。

论文提出了一种针对任务的伪影校正模型，该模型与HRNet姿态估计网络协同工作，无需重复微调姿态估计模型，可提高低质量监控录像的姿态估计准确性，并保持高分辨率录像中姿态估计的完整性。

论文使用自动标注的低质量视频训练伪影校正模型，并在多个噪声监控数据集上评估模型性能。实验结果表明，该方法不仅提高了低质量监控录像的姿态估计准确性，而且在高分辨率录像中保持了姿态估计的准确性。该方法为实现更可靠的监控数据中的步态分析铺平了道路。

近期相关研究包括：1. 'Real-Time Human Pose Estimation in the Wild Using Improved Convolutional Neural Networks and Candidate Confidence Fields' 2. 'Multi-Person Pose Estimation with Enhanced Channel-wise and Spatial Information' 3. 'Learning Pose Estimation from Scratch'等。