Explorant els transformadors de visió autosupervisats per al reconeixement de la marxa a la part 3

Utilitzem una mostra simple per interpolar entre juntes veïnes (figura 3). Tanmateix, fer-ho ingènuament a l'esquelet dóna lloc a articulacions espúries a través de l'esquelet, independentment de l'elecció dels formats d'esquelet (per exemple, OpenPose o COCO), ja que l'ordenació conjunta no conserva cap significat semàntic.

La seqüenciació articular fa referència a moure les articulacions del cos en un ordre determinat. Aquest tipus d'exercici té un paper important en el manteniment de la salut física i la millora de la memòria corporal.

En primer lloc, la seqüenciació de les articulacions pot promoure el moviment coordinat de diverses parts del cos, millorar la força muscular i millorar la funció cardiopulmonar, cosa que ajuden a mantenir una bona salut. Al mateix temps, l'alineació regular de les articulacions pot reduir la rigidesa i el dolor corporal, millorar la postura i l'equilibri i retardar la disminució de la funció física causada per l'edat.

En segon lloc, la seqüenciació conjunta també pot millorar la memòria. La investigació mostra que l'exercici pot estimular el creixement i les connexions de les neurones cerebrals, afavorint així l'intercanvi d'informació entre neurones, que pot ajudar a millorar la memòria i les capacitats d'aprenentatge. El moviment seqüenciat de les articulacions requereix que el cervell doni instruccions precises per als moviments de diverses parts del cos, la qual cosa és de gran ajuda per al desenvolupament de la coordinació i les capacitats de memòria del cervell.

Finalment, la seqüenciació conjunta també pot alleujar l'estrès i l'ansietat i millorar l'estabilitat emocional. L'exercici pot alliberar algunes substàncies a l'organisme, com la dopamina i les endorfines, que poden ajudar a alleujar els problemes emocionals i millorar la sensació de felicitat i satisfacció del cos. Aquests factors també tenen un impacte positiu en la millora de la memòria.

En resum, hi ha una relació positiva entre la seqüenciació conjunta i la memòria. Mitjançant exercicis de seqüenciació conjunta regulars, podeu promoure un desenvolupament corporal i cerebral saludable, millorar la memòria i les capacitats d'aprenentatge i millorar l'estabilitat emocional. Prestem atenció a la bona salut i gaudim de la bellesa de la vida junts! Es pot veure que hem de millorar la memòria, i Cistanche deserticola pot millorar significativament la memòria perquè Cistanche deserticola és un material medicinal tradicional xinès que té molts efectes únics, un dels quals és millorar la memòria. L'eficàcia de la carn picada prové dels diferents ingredients actius que conté, com àcids, polisacàrids, flavonoides, etc. Aquests ingredients poden afavorir la salut del cervell de diverses maneres.

Feu clic a Coneix suplements per millorar la memòria

Aquesta observació està en línia amb el treball de Yang et al. [44], que proposa una imatge d'esquelet d'estructura d'arbre (TSSI) per proposar les relacions espacials entre articulacions. Es basa en una ordenació de les articulacions de travessa de l'arbre en profunditat, que conserva la informació estructural de l'esquelet. La figura 3 (dreta), mostra els efectes de diferents formats d'esquelet i mètodes de mostra superior. Per a aquest mètode de redimensionament, hem utilitzat el format TSSI i la interpolació bicúbica.

A més, vam experimentar amb dos mètodes d'augment d'escala, que es van poder aprendre durant l'entrenament. Hem utilitzat una simple capa lineal aplicada a cada esquelet aplanat per augmentar el nombre d'articulacions. Aquesta és la manera més senzilla de transformar cada esquelet, però no té en compte cap relació espacial entre les articulacions. Per fer-ho, també utilitzem un conjunt de capes deconvolucionals 2D a la seqüència de l'esquelet per canviar la mida mentre també es té en compte la informació estructural; per a aquest mètode, també utilitzem el format TSSI.

La taula 1 mostra els resultats de cada mètode de redimensionament per a totes les arquitectures. Els models van ser entrenats i avaluats a CASIA-B durant 200 èpoques, i mostrem resultats per a caminar normal. Per a la resta dels nostres experiments, vam optar per mostrar la seqüència d'esquelet amb interpolació bicúbica.

Tot i que hi ha diversos possibles procediments de preentrenament autosupervisats, vam optar per un enfocament contrastiu de preentrenament, ja que és el mateix procediment per a la tasca de recuperació real del reconeixement de la marxa. Els enfocaments contrastius fomenten que les representacions pertanyents a la mateixa classe estiguin properes en l'espai latent, alhora que es troben allunyades de les representacions que pertanyen a classes diferents.

En particular, utilitzem Supervised Contrastive [45] per a la formació prèvia. La pèrdua de SupCon opera en un lot de visualitzacions múltiples: cada mostra del lot té múltiples versions augmentades de si mateixa. Es va demostrar que és naturalment més robust per a la corrupció de dades, alleuja la necessitat d'una selecció acurada de triplets, ja que el gradient fomenta l'aprenentatge d'exemples durs i és menys sensible als hiperparàmetres.

3.4. Augment de dades

L'entrenament d'una manera contrastiva autosupervisada amb pèrdua de SupCon implica l'ús de l'augment de dades per proporcionar múltiples "vistes" augmentades de la mateixa seqüència d'esquelets. 30]. L'augment principal utilitzat és el retall temporal aleatori amb una longitud d'un període de fotogrames T=64.

Atès que els esquelets es fan un seguiment durant una durada de temps variable, utilitzem el retall per garantir que totes les seqüències tinguin la mateixa longitud. A més, una persona que camina pot canviar de direcció i realitzar altres accions al llarg del recorregut; en conseqüència, el tall indueix més variabilitat per a la mateixa seqüència.

A més, modifiquem el ritme de la marxa disminuint o accelerant la marxa. Hem utilitzat modificadors de velocitat de {{{0}},5, 0,75, 1, 1,25, 1,5, 1,75, 2.0}. Això està adaptat del treball de Wang et al. [48] ​​per a l'aprenentatge autosupervisat de representacions de vídeo. A més, la modificació del ritme s'ha utilitzat en l'anàlisi de la marxa en el passat [33].

També utilitzem un gir aleatori amb una probabilitat de {{0}}.5, inversió de seqüència amb una probabilitat de 0.5, soroll gaussià additiu per a cada articulació amb σ=0.005, i l'abandonament aleatori del 5% de les articulacions amb una probabilitat de 0,01 per simular les articulacions que falten del model d'estimació de la postura.

3.5. Mètodes d'inicialització

Per mesurar l'impacte del rendiment de la formació prèvia autosupervisada en les arquitectures proposades, explorem tres mètodes d'inicialització diferents. La taula 2 mostra els diferents conjunts de dades utilitzats a la literatura. Mentre que CASIA-B [6] i FVG[29] són conjunts de dades controlats, utilitzats principalment per a l'avaluació, utilitzem DenseGait [12] i GREW [7] per a la formació prèvia autosupervisada per a les cinc arquitectures. DenseGait i GREW són dues de les bases de dades realistes de marxa més grans, recopilades a l'aire lliure, que presumiblement contenen la majoria de variacions, comportaments i complexitats de marxa presents a la vida quotidiana. Escollim aquests conjunts de dades per tenir representacions de la marxa més generals, per permetre escenaris de vigilància generals d'autenticació de la marxa.

DenseGait Preentrenament DenseGait és un conjunt de dades de marxa a gran escala "en estat salvatge" recollit automàticament a partir de fluxos de vigilància. Conté 217 K de seqüències d'esquelets rastrejades, extretes mitjançant AlphaPose [22], en diversos entorns i angles de càmera des de múltiples ubicacions geogràfiques. Com que DenseGait es recull automàticament, les seves anotacions pel que fa a l'identificador de seguiment són sorollosos i el conjunt de dades pot contenir seqüències sobre el mateix tema, tot i que això és poc freqüent. Tanmateix, aquest és el cas de la majoria dels conjunts de dades a gran escala sense etiquetar que contenen mostres que pertanyen a la mateixa classe semàntica, que es considera no relacionada durant l'entrenament. Preentrenem cada arquitectura a DenseGait i utilitzem els paràmetres entrenats per a una avaluació posterior del rendiment dels conjunts de dades controlats.

GREW Pretraining GREW és un altre conjunt de dades "en estat salvatge" a l'aire lliure, però s'anota amb cura de manera que conté subjectes que caminan durant diversos dies i diferents tipus de roba. Tanmateix, per adaptar-se als requisits del règim d'autosupervisió, descartem les anotacions i tractem cada seqüència de caminar com una persona separada. GREW és 2 × més petit que DenseGait, conté seqüències d'esquelets de 128 K, alhora que té un seguiment de cada vianant durant una durada mitjana més petita [12]. També entrenem cada arquitectura a GREW i utilitzem els paràmetres entrenats per a l'avaluació del rendiment aigües avall.

Inicialització aleatòria Aquest mètode d'inicialització no correspon a cap entrenament previ (és a dir, entrenament des de zero). Cada arquitectura s'entrena amb una inicialització de pes aleatòria als conjunts de dades aigües avall. Aquest mètode és una línia de base per comparar els guanys de rendiment mitjançant la formació prèvia.

3.6. Avaluació

El rendiment de la tasca aigües avall s'avalua de dues maneres diferents per al reconeixement de la marxa. Provem directament les capacitats de recuperació de les arquitectures prèviament entrenadas, sense ajustar-les per a una tasca específica. Aquest mètode correspon a la transferència zero-shot. A més, ajustem cada arquitectura amb una taxa d'aprenentatge 10 vegades més petita que durant la formació prèvia, amb una taxa d'aprenentatge progressivament menor al començament de la xarxa, corresponent a la política de decadència de la taxa d'aprenentatge a nivell de capa (LLRD) [50].

L'avaluació del rendiment aigües avall es realitza en dos conjunts de dades de reconeixement de gaire populars: CASIA-B [6] i FVG [29]. Tots dos conjunts de dades inclouen un petit nombre de subjectes sota protocols estrictes de caminar, que es controlen per diversos factors de confusió: angle de la càmera, roba, accessoris i velocitat de caminada.

CASIA-B és un conjunt de dades d'interior que conté 124 subjectes capturats amb 11 càmeres sincronitzades. Cada individu camina en tres condicions diferents: caminar normal, canviar de roba i portar bosses. Des del seu llançament, ha estat un element bàsic per a l'avaluació comparativa de models de gaitàlisi, sent un dels conjunts de dades més utilitzats en aquesta àrea. Utilitzem les primeres 62 assignatures com a conjunt d'entrenament i la resta de les 62 per a l'avaluació del rendiment. Per al reconeixement de gaire, optem per avaluar el rendiment per angle en un entorn "deixar-ne un", en el qual el conjunt de la galeria conté tots els angles de caminada excepte l'angle de la sonda.

Front-View Gait és un altre conjunt de dades popular per al reconeixement de la marxa, amb 226 subjectes caminant a l'aire lliure sota diversos protocols. A diferència de CASIA-B, FVG presenta factors de confusió addicionals: velocitat de caminada, fons desordenat i el pas del temps (és a dir, alguns subjectes han registrat caminades que abasten un any). A més, tots els subjectes es capturen amb un angle de càmera frontal, que es considera l'angle més difícil per al reconeixement de la marxa, ja que conté la menor quantitat de variació de moviment articular percebuda. Hem utilitzat les primeres 136 assignatures per a la formació i la resta per a l'avaluació del rendiment. L'avaluació del rendiment per al reconeixement de la marxa s'adhereix als protocols descrits pels autors, en què utilitzem la seqüència de caminar normal al conjunt de la galeria i les altres condicions del conjunt de sondes.

Per a tots els escenaris d'avaluació, utilitzem un retall determinista al centre de la seqüència de marxa i no fem servir cap augment del temps de prova.

4. Experiments i resultats

4.1. Avaluació de CASIA-B

Preentrenem cada arquitectura a DenseGait i GREW, respectivament, i avaluem el rendiment a CASIA-B i FVG. En el primer conjunt d'experiments, ens interessa inavaluar el rendiment de CASIA-B en un escenari d'ajustament final després del preentrenament, amb mostres d'entrenament progressivament més grans. Vam entrenar cada xarxa sobre les primeres 62 identitats, amb totes les variacions de caminar disponibles, i vam guardar la resta per provar. L'avaluació del reconeixement es va realitzar utilitzant les 4 primeres mostres de caminar normals com a conjunt de galeria i el conjunt de sondes restas. La figura 4 mostra la precisió de cadascuna de les tres variacions de caminar (normal-NM, roba-CLm i bossa de transport-BG) per a CASIA-B. Per a aquest escenari, es van mostrejar aleatòriament K={1, 2, 3, 5, 7, 10} caminades per subjecte, per angle i es va entrenar el model. Tot i que el rendiment és relativament similar entre arquitectures, és clar que El preentrenament ofereix un augment significatiu del rendiment en comparació amb la inicialització aleatòria, independentment de l'elecció del conjunt de dades de preentrenament.

A més, SimpleViT, CrossFormer i Twins-SVT semblen tenir un alt rendiment similar, mentre que Token2Token està lleugerament endarrerit. Això suggereix que el mètode de tokenització progressiva utilitzat a Token2Token, que va ser dissenyat específicament per a estructures semblants a imatges, no captura de manera efectiva les característiques de les seqüències de marxa. Hi ha una diferència notable entre els conjunts de dades de preentrenament: DenseGait sembla oferir un augment de rendiment constant en les dues variacions de caminar (CL i BG) en comparació amb GREW. Això és indicatiu del fet que DenseGait inclou escenaris més desafiants i realistes que preparen millor el model per a condicions en què el patró de marxa es veu afectat per factors externs.

Les arquitectures s'entrenen per mapejar seqüències de caminar a un espai incrustat, on la proximitat entre punts reflecteix la similitud de les seqüències de caminada corresponents. Això significa que les incrustacions de seqüències de marxa no vistes de la mateixa identitat haurien d'estar a prop les unes de les altres a l'espai d'incrustació i formar grups, mentre que les incrustacions de diferents identitats haurien d'estar més allunyades les unes de les altres i formar grups diferents. Això és important, ja que permet al model generalitzar-se a seqüències de marxa no vistes i identificar amb precisió l'individu utilitzant un enfocament del veí més proper. A la figura 5, presentem l'agrupació de les incrustacions per a cada identitat al conjunt de proves de reducció de la dimensionalitat CASIA-Bafter amb t-SNE [51]. Hem utilitzat el 256-dimensional embeddingvector i l'hem projectat en dues dimensions. SimpleViT i CrossFormer semblen tenir la millor separació d'identitats, independentment del punt de vista de la càmera.

4.2. Avaluació de FVG

De la mateixa manera, vam avaluar el rendiment de cada arquitectura a FVG, que és qualitativament diferent de CASIA-B, ja que només conté un únic angle de visió. Perfeccionem la xarxa prèviament entrenada en una fracció f={0.1, 0.2, 0.3, {{10 }}.5, 0.7, 1.0} de les 12 curses per persona del conjunt d'entrenament. Els resultats d'ajustament es mostren a la figura 6. Els resultats segueixen una tendència similar als de CASIA-B: SimpleViT i CrossFormer tenen un rendiment elevat constantment i l'ús d'un conjunt de dades de preentrenament és beneficiós per al rendiment avall. A més, l'entrenament previ a DenseGait sembla comportar una millora constant de la precisió. Tal com van assenyalar Cosma i Radoi [12], DenseGait conté subjectes seguits per a una durada més llarga, i això proporciona més variació en l'objectiu d'aprenentatge contrastiu, semblant al retall aleatori per a un preentrenament autosupervisat per a imatges naturals. De manera semblant als resultats de CASIA-B, la variació de la roba queda molt endarrerida amb l'escenari normal de caminar.

A la taula 4, presentem resultats més detallats sobre el conjunt de proves de FVG entre models pre-entrenats, similar a l'escenari CASIA-B. Els resultats del preentrenament són consistents: el preentrenament a DenseGait es correlaciona directament amb la millora de la precisió aigües avall. Tot i que la formació prèvia en ambdós conjunts de dades millora el rendiment en tots els escenaris, la millora és particularment significativa en l'escenari CBG (Cluttered Background), que normalment consisteix a tenir més persones al vídeo, de manera similar al que s'esperaria en configuracions poc realistes. Aquesta millora probablement prové del fet que DenseGait i GREW es van reunir en entorns naturals i incontrolats, fent-los més realistes i desafiants, preparant així millor el model per a condicions similars a les de l'escenari CBG. La classificació entre models és similar a CASIA-B: SimpleViT, CrossFormer i Twins-SVT superen constantment CaiT i Token2Token. Tant per a CASIA-B com per a FVG, CaiT es queda lleugerament endarrerit amb altres models.

4.3. Test de sensibilitat espaciotemporal

Una particularitat dels transformadors de visió és l'elecció arbitrària de les dimensions del pegat, que pot resultar crucial en el rendiment final. En el cas del processament d'imatges, les dimensions del pegat no són especialment importants, a causa de la invariància translacional del contingut semàntic d'una imatge.

Per a seqüències d'esquelet, però, les dimensions del pegat corresponen a característiques específiques i interpretables de l'entrada: l'alçada del pegat representa la quantitat d'informació espacial continguda en un pegat (és a dir, el nombre d'articulacions esquelètiques incloses), mentre que les dimensions temporals representen la quantitat d'informació temporal inclosa ( és a dir, nombre de fotogrames). L'equilibri entre els dos s'ha de considerar acuradament en l'ús de transformadors de visió adaptats per a l'anàlisi de la marxa. A la figura 7, mostrem un mapa de calor en el qual cada cèl·lula és el rendiment d'un model entrenat (inicialitzat aleatòriament) a CASIA-B per caminar normal. Entrenem cada model durant 50 èpoques per a una comparació justa i per mesurar la velocitat de convergència en un nombre fix de passos.
Hem construït dos mapes de calor, un per a SimpleViT i un per a CaiT, ja que tenen una columna vertebral subjacent similar, i és senzill modificar les mides dels pegats. El mateix procés es pot realitzar per a les altres arquitectures provades. Arribem a la conclusió que les mides de pegat més petites corresponen a un augment positiu del rendiment de modelització de les seqüències d'esquelets, mentre que la compensació entre les dimensions espacials i temporals no és crucial, ja que el rendiment és similar: la matriu del mapa de calor és bastant simètrica per la segona diagonal. Per tant, les mides de pedaços quadrats més petites com (2, 4) a través de les dimensions espacials i temporals funcionen millor per a aquesta tasca, mentre que les mides de pegat més grans com (32, 32) contenen massa poca informació discriminatòria. Tanmateix, les mides de pedaços més petites només augmenten el nombre de pedaços, cosa que requereix més potència de càlcul. Per a la nostra configuració de dues GPU NVIDIA RTX 3060, vam informar d'errors sense memòria per a algunes combinacions de mides de pegat més petites.

La raó més probable del rendiment millorat amb mides de pedaç més petites és que l'arquitectura pot capturar millor la complexitat del patró de caminar calculant interaccions més complexes entre els pegats. Els pegats amb les mides espacials més grans possibles i les mides temporals més petites possibles es poden considerar representacions completes dels esquelets, mentre que els pegats amb les mides temporals més grans possibles i les mides espacials més petites possibles capturen la totalitat dels moviments d'una articulació individual. Com es pot observar, la màxima precisió s'aconsegueix quan la mida del pegat incorpora un equilibri tant d'informació espacial com temporal, que correspon a petits moviments d'articulacions estretament connectades.

5. Discussió i conclusions

En aquest treball, vam proporcionar una avaluació completa de cinc variants populars del transformador de visió adaptat per al processament de la seqüència d'esquelets. Els nostres esforços estan en línia amb els avenços recents en l'aprenentatge profund per unificar essencialment les diferents modalitats sota l'arquitectura del transformador. Vam proposar un mètode de mostreig espacial per a esquelets (bicubicupsampling amb format d'esquelet TSSI) per augmentar artificialment el nombre d'articulacions, de manera que la seqüència pugui ser consumida correctament pels codificadors del transformador. A més, cada arquitectura es va entrenar sota el paradigma d'entrenament d'autosupervisió en dos conjunts de dades de marxa generals i a gran escala (és a dir, DenseGait i GREW), i posteriorment es va avaluar en dos conjunts de dades per al reconeixement de la marxa en entorns controlats (és a dir, CASIA-B i FVG). Vam optar per adoptar el paradigma d'aprenentatge autosupervisat per obtenir característiques generals de la marxa, no limitades a una variació particular de la marxa o el punt de vista de la càmera.

Els nostres resultats impliquen la necessitat d'una gran quantitat, alta qualitat i conjunts de dades diversos per als models d'anàlisi de la marxa prèvia a l'entrenament. Vam demostrar que l'entrenament previ a DenseGait ofereix millores consistents en la precisió respecte a GREW, a causa de l'augment de mida, el nombre de variacions i la durada mitjana de la caminada [12]. El benefici més important, però, es troba en situacions amb poca quantitat de dades d'entrenament disponibles. Els nostres resultats mostren que l'entrenament des de zero condueix a resultats significativament pitjors que l'ajustament fins i tot amb quantitats modestes de dades (és a dir, 10 seqüències per persona). Actualment, la majoria dels enfocaments de la marxa es realitzen a l'interior en entorns estrictament controlats, que no es poden generalitzar a la complexitat de les interaccions del món real. Diversos conjunts de dades d'entrenament són crucials per dur a terme una anàlisi de comportament precisa a la natura, sobretot perquè la marxa és una característica biomètrica que es pot influir fàcilment per factors ambientals externs, així com per components interns i emocionals.

El nostre estudi d'ablació mostra que els pegats espai-temporals més petits són beneficiosos per obtenir millors resultats aigües avall. Aquesta visió informa els desenvolupaments futurs d'arquitectures per a seqüències d'esquelets, que anteriorment s'han basat en el processament d'un esquelet individual en un sol pegat [12].

Al costat dels esforços concurrents per portar l'anàlisi de la marxa a entorns realistes, el nostre treball permet encara més la transició de l'autenticació de la marxa i l'anàlisi del comportament d'entorns interiors controlats a entorns exteriors del món real. El reconeixement de la marxa en estat salvatge es farà omnipresent amb els desenvolupaments de sensors intel·ligents i arquitectures neuronals eficients que processen el comportament impulsat pel moviment en temps real.

Referències

1. Kyeong, S.; Kim, SM; Jung, S.; Kim, DH Anàlisi de patrons de marxa i identificació de subgrups clínics: un estudi observacional retrospectiu. Medicina 2020, 99, e19555. [CrossRef] [PubMed]

2. Michalak, J.; Troje, NF; Fischer, J.; Vollmar, P.; Heidenreich, T.; Schulte, D. Encarnació de la tristesa i la depressió: patrons de marxa associats a l'estat d'ànim disfòric. Psicosoma. Med. 2009, 71, 580–587. [CrossRef] [PubMed]

3. Willems, TM; Witvrouw, E.; De Cock, A.; De Clercq, D. Factors de risc relacionats amb la marxa per al dolor de la cama inferior relacionat amb l'exercici durant el calçat. Med. Ciència. Exercici esportiu. 2007, 39, 330–339. [CrossRef] [PubMed]

4. Singh, JP; Jain, S.; Arora, S.; Singh, UP Reconeixement de la marxa basat en la visió: una enquesta. Accés IEEE 2018, 6, 70497–70527. [Ref creuat]

5. Makihara, Y.; Nixon, MS; Yagi, Y. Reconeixement de la marxa: bases de dades, representacions i aplicacions. Informàtica. Vis. Ref. Guia 2020,1–13.

6. Yu, S.; Tan, D.; Tan, T. Un marc per avaluar l'efecte de l'angle de visió, la roba i la condició de transport sobre el reconeixement de la marxa. A Proceedings of the 18th International Conference on Pattern Recognition (ICPR'06), Hong Kong, Xina, 20-24 d'agost de 2006; Volum 4, pàgines 441–444.

7. Zhu, Z.; Guo, X.; Yang, T.; Huang, J.; Deng, J.; Huang, G.; Du, D.; Lu, J.; Zhou, J. Reconeixement de la marxa en estat salvatge: un punt de referència. InProceedings of the IEEE International Conference on Computer Vision (ICCV), Montreal, BC, Canadà, 11-17 d'octubre de 2021.

8. Chao, H.; Ell, Y.; Zhang, J.; Feng, J. Gaitset: Pel que fa a la marxa com a conjunt per al reconeixement de la marxa transversal. A Proceedings of the AAAIConference on Artificial Intelligence, Honolulu, HI, EUA, 27 de gener-1 de febrer de 2019; Volum 33, pàgs. 8126–8133. 

9. Fan, C.; Peng, Y.; Cao, C.; Liu, X.; Hou, S.; Chi, J.; Huang, Y.; Li, Q.; He, Z. Gaitpart: Model temporal basat en parts per al reconeixement de gaire. A Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition, Seattle, WA, EUA, 13-19 de juny de 2020; pàgines 14225–14233.

10. Cosma, A.; Radoi, IE WildGait: Aprendre representacions de la marxa a partir de corrents de vigilància bruta. Sensors 2021, 21, 8387. [CrossRef][PubMed]

For more information:1950477648nn@gmail.com