论文 1 Introduction 1.1 旧方法 ​ ① 将步态轮廓压缩为一张图（损失了时序信息与细粒度系信息） ​ ② 直接从原始步态轮廓序列中提取特征（极易受到外部条件影响） ​ 1.2 我们提出的方法 ​ 步态序列可以看做一个周期，而特定帧有其特定的步态形态，人类很容易可以复原打乱的步态序列的顺序。因此，顺序信息不必需提供给网络，而将步态序列帧看做一个个具有位置信息的帧组成

输入：128个30,64,64预处理后ipts[128, 30, 64, 44]->sils[128,1, 1186, 64, 44]GaitSet((set_block1): SetBlockWrapper(sils先transpose且reshape成torch.Size([3840, 1, 64, 44])(forward_block): Sequential((0): BasicCon

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