步态识别中显著性嵌入的探索：提升个体辨识的新策略 中文标题

本研究针对步态识别中特征图潜力未被充分挖掘的问题，提出EmbedGait模型。通过空间对齐、水平显著性映射（HSM）和自适应嵌入加权（AEW）模块，有效提取显著性步态嵌入，在Gait3D、GREW和SUSTech1K数据集上分别达到77.3%、79.0%和79.6%的Rank-1准确率，为生物特征识别提供新思路。

　　

步态识别（Gait Recognition）旨在通过视频级行人轮廓（Pedestrian Silhouettes）区分独特行走模式以实现个体身份认证。既往研究侧重于设计强特征提取器以建模步态的时空依赖（Spatio-temporal Dependencies），获取富含语义信息的步态特征，但忽视了特征图（Feature Maps）构建判别性步态嵌入（Discriminative Gait Embeddings）的潜力。本研究提出新型模型EmbedGait，专注于学习显著性步态嵌入以提升识别性能。具体框架始于帧级空间对齐（Frame-level Spatial Alignment）以保持序列间一致性，随后设计水平显著性映射（Horizontal Salient Mapping, HSM）模块，通过定制池化操作提取代表性嵌入并剔除背景信息；后续的自适应嵌入加权（Adaptive Embedding Weighting, AEW）模块可自适应强化不同身体部位和通道的显著性嵌入。在Gait3D、GREW和SUSTech1K数据集上的广泛实验表明，该方法在多项基准测试中均实现可比性能提升，例如EmbedGait在三个数据集上的Rank-1准确率分别达77.3%、79.0%和79.6%。