基于步态的人体识别在DAS系统中的应用采用HOG-MAE

本文提出了一种新型自监督学习框架HOG-MAE，旨在通过分布式声学传感(DAS)的时空步态信号高效地进行人体识别。为了降低DAS部署中人工标注的高成本，我们开发了一种掩码自编码器，专注于直方图梯度(HOG)特征的重构。通过重构HOG特征而不是原始像素，模型优先考虑重要的语义属性——特别是步伐的空间结构几何形状和节奏频率模式——同时保持对非重要变化（例如背景噪声和由于不同鞋类或行走速度而导致的信号强度波动）固有的不变性。此外，通过利用DAS信号中空间和时间信息的非对称分布，我们进一步压缩步态语义特征，从而实现轻量化模型并减少预训练时间。实验结果表明，HOG-MAE在相同的训练轮次设置下达到了96.86%的分类准确率，并将预训练时间降低了22.08%。