Les données de profondeur précises dérivées de la détection et télémétrie par laser (LiDAR) se sont avérées efficaces pour améliorer les performances de reconnaissance de la démarche. Cependant, ces données de profondeur sont grossières et manquent de limites de segmentation claires, ce qui entraîne souvent une ambiguïté accrue dans l'interprétation des mouvements précis humains et de la forme du corps, limitant potentiellement la capacité du modèle à apprendre des caractéristiques discriminantes liées à la démarche. Pour relever ce défi, nous proposons un nouveau module d’augmentation de mouvement guidé par silhouette pour la reconnaissance de la démarche basée sur la profondeur, nommé SigmaGait. SigmaGait exploite les limites claires et les premiers plans homogènes des silhouettes pour améliorer la conscience du modèle des mouvements au niveau des parties et des caractéristiques d'apparence fines. De plus, nous explorons une approche de génération de pseudo-profondeur utilisant des données accessibles en rouge-vert-bleu (RGB) pour les scénarios où les capteurs LiDAR ne sont pas disponibles. En utilisant des modèles linéaires multi-personnes skinnés (SMPL) prêts à l'emploi, nous synthétisons des cartes de pseudo-profondeur à partir des maillages humains estimés, comblant l’écart de performance entre la reconnaissance de démarche basée sur la caméra et sur LiDAR. Nous évaluons empiriquement notre approche sur des ensembles de données réels et synthétiques, y compris la référence de changement de vêtements pour la ré-identification de personnes et la reconnaissance de démarche (CCPG), SUSTech1K et FreeGait. Notre modèle atteint des performances à la pointe de l’état de l’art sur les données LiDAR réelles, et nos cartes de pseudo-profondeur améliorent la précision sur les ensembles de données 2D malgré leur origine synthétique.

Reconnaissance de la démarche;Profondeur;Modèle linéaire multi-personnes skinné (SMPL);Détection et télémétrie par laser (LiDaR);Pseudo-profondeur