深度学习与迁移学习结合的步态虚拟样本生成技术

需积分: 32 2 下载量 186 浏览量 更新于2024-08-13 收藏 1.98MB PDF 举报
"该文提出了一种基于深度卷积神经网络(CNN)和对偶学习与迁移学习(DLTL)的步态虚拟样本生成方法,旨在解决步态识别中的小样本问题。通过VGG19模型提取步态的风格和内容特征,利用对抗网络的对偶学习进行风格训练,然后应用迁移学习生成步态虚拟样本,以增加样本库容量并提高步态识别的准确率。实验结果显示,该方法能够有效生成虚拟样本,并在一定程度上提升识别率,优于传统方法。" 本文针对步态识别在安全监控和反恐领域的挑战,特别是小样本数据集的问题,提出了一种创新的解决方案。传统的步态识别技术往往受限于有限的训练样本,导致模型泛化能力不足。为了解决这个问题,作者采用了深度学习的两个关键组成部分:卷积神经网络(CNN)和对偶学习与迁移学习(DLTL)的结合。 首先,他们利用VGG19这一深度学习模型,从步态视频中提取出步态的风格和内容特征。VGG19因其在图像识别任务上的强大性能而被选中,其深层结构能捕获复杂的特征。通过CNN的低层响应,可以提取出步态的风格信息,而高层响应则能捕捉到步态的本质内容。 接下来,作者引入了对偶学习(DL),这是一种基于对抗网络的方法,用于在保持内容不变的情况下训练风格转换。通过对风格特征图进行训练,可以生成新的风格模型,使得步态样本的整体风格发生变化,但保留原始的步态特征。 随后,利用VGG19的高层特征,步态内容特征图被用来学习风格特征模型中的风格信息。这种方式允许步态内容在新的风格下保持一致,从而产生虚拟样本。 最后,迁移学习(TL)被应用到这个过程中,以从已学习的步态风格转移到新的虚拟样本,创造出具有不同风格但保留原始步态信息的样本集。这种方法有效地扩充了步态样本库,提高了模型在面对多样化步态时的识别能力。 实验结果证明,采用DLTL方法生成的步态虚拟样本虽然风格发生了变化,但步态的关键识别特征保持不变。随着虚拟样本数量的增加,步态识别率得到了显著提升。与现有的步态虚拟样本生成方法相比,该方法表现出更好的性能,能够大量生成稳定且高质量的虚拟样本,进一步优化步态识别系统的识别率。 该研究通过融合CNN的强大特征提取能力和DLTL的样本生成策略,提供了一种有效应对步态识别小样本问题的新方法,对提升步态识别技术在实际应用中的表现具有重要意义。