摘要：步态识别在视频监控、犯罪现场侦查、社会安全等领域有着广泛的应用前景。然而，在实际场景中，步态识别往往受到多种外部因素的影响，如携带条件、穿着外套、视角多样等。近年来，各种基于深度学习的步态识别方法取得了可喜的成果，但它们倾向于使用固定权重的卷积网络提取显著特征之一，没有很好地考虑关键区域中步态特征之间的关系，忽略了完整运动模式的聚合。 在本文中，我们提出了一个新的观点，即实际的步态特征包括

摘要: 视角变化导致步态外观存在显着差异。因此，识别跨视图场景中的步态是非常具有挑战性的。最近的方法要么在进行识别之前将步态从原始视图转换为目标视图，要么通过蛮力学习或解耦学习提取与相机视图无关的步态特征。然而，这些方法有许多约束，例如处理未知相机视图的难度。这项工作将视角变化问题视为域更改问题，并提出通过对抗性域适应来解决这个问题。这样，不同视角的步态信息被视为来自不同子域的数据。该方法侧重于

2019在AAAI（还有一版叫GaitSet: Regarding Gait as a Set for Cross-View Gait Recognition，大体上一样） 摘要 现有的步态识别方法要么利用步态模板，难以保存时间信息，要么利用保持不必要的顺序约束的步态序列，从而失去步态识别的灵活性。在本文中，我们提出了一种新的视角，利用步态作为深度集，这意味着一组步态帧由全局局部融合深度网络