لقد ثبت أن بيانات العمق الدقيقة المستمدة من الكشف عن الضوء والمدى (LiDAR) فعالة في تحسين أداء التعرف على المشية. ومع ذلك، فإن تلك البيانات تكون خشنة وتفتقر إلى حدود تقسيم واضحة، مما يؤدي غالبًا إلى زيادة الغموض في تفسير الحركة الدقيقة للإنسان وشكل الجسم، مما قد يحد من قدرة النموذج على تعلم الميزات التمييزية المتعلقة بالمشي. لمعالجة هذا التحدي، نقترح وحدة تعزيز الحركة الموجهة بواسطة الصورة الظلية للتعرف على المشية المعتمد على العمق، والتي تُسمى SigmaGait. تستفيد SigmaGait من الحدود الواضحة والمقدمة المتجانسة للصورة الظلية لتعزيز وعي النموذج بالحركات على مستوى الأجزاء وميزات المظهر الدقيقة. علاوة على ذلك، نستكشف نهجًا لتوليد عمق زائف يستفيد من بيانات الأحمر-الأخضر-الأزرق (RGB) المتاحة في السيناريوهات التي لا تتوفر فيها مستشعرات LiDAR. من خلال استخدام نماذج متعددة الأشخاص الخطية المغلفة (SMPL) الجاهزة، نقوم بتوليد خرائط عمق زائفة من نماذج الشبكة البشرية المقدرة، مما يجسر فجوة الأداء بين التعرف على المشية المعتمد على الكاميرا وLiDAR. نقيم منهجنا تجريبيًا على مجموعات بيانات حقيقية وصناعية تشمل معيار تغيير الملابس لإعادة التعرف على الأشخاص والتعرف على المشية (CCPG)، وSUSTech1K، وFreeGait. يحقق نموذجنا أداءً متقدمًا على بيانات LiDAR الحقيقية، وتحسن خرائط العمق الزائفة الدقة على مجموعات البيانات ثنائية الأبعاد رغم كونها صناعية.

التعرف على المشية;العمق;نموذج متعدد الأشخاص الخطي المغلف (SMPL);الكشف عن الضوء والمدى (LiDaR);العمق الزائف