Se ha demostrado que los datos de profundidad precisos derivados de la detección y alcance por luz (LiDAR) son efectivos para mejorar el rendimiento en el reconocimiento de la marcha. Sin embargo, esos datos de profundidad son gruesos y carecen de límites claros de segmentación, lo que a menudo resulta en una mayor ambigüedad al interpretar el movimiento humano preciso y la forma del cuerpo, lo que potencialmente limita la capacidad del modelo para aprender características discriminativas relacionadas con la marcha. Para abordar este desafío, proponemos un novedoso módulo de aumento de movimiento guiado por silueta para el reconocimiento de la marcha basado en profundidad, llamado SigmaGait. SigmaGait aprovecha los límites claros y los fondos homogéneos de las siluetas para mejorar la conciencia del modelo sobre movimientos a nivel de partes y características de apariencia detalladas. Además, exploramos un enfoque de generación de pseudo-profundidad que utiliza datos accesibles de rojo-verde-azul (RGB) para escenarios donde no están disponibles sensores LiDAR. Utilizando modelos lineales multi-persona con piel (SMPL) listos para usar, sintetizamos mapas de pseudo-profundidad a partir de mallas humanas estimadas, cerrando la brecha de rendimiento entre el reconocimiento de la marcha dependiente de cámaras y LiDAR. Evaluamos empíricamente nuestro enfoque en conjuntos de datos reales y sintéticos que incluyen el punto de referencia de cambio de ropa para la reidentificación de personas y el reconocimiento de la marcha (CCPG), SUSTech1K y FreeGait. Nuestro modelo logra un rendimiento de última generación en datos LiDAR reales, y nuestros mapas de pseudo-profundidad mejoran la precisión en conjuntos de datos 2D a pesar de su origen sintético.

Reconocimiento de la marcha;Profundidad;Modelo lineal multi-persona con piel (SMPL);Detección y alcance por luz (LiDaR);Pseudo-profundidad