论鞋类鲁棒性的可学习性：未见条件下的脚步识别

在自然行走过程中，通过压力或力敏步道采集的足步模式，为生物特征识别提供了一种便捷且被动的方法。然而，鞋类可变性对实际部署构成了重大挑战，因为它同时影响足部-传感器接口和用户潜在的步态力学。本研究考虑了尤为困难的场景：用户在某一种固定鞋类条件下注册，但之后必须在任意、未见过的鞋类条件下被识别。利用 StepUP-P150 数据集，我们表明鞋类引起的偏移虽然在个体间幅度可观且异质，但包含可从训练人群学习并零样本迁移到先前未见用户和鞋类风格的共享结构。我们使用 BiStepNet 实现这一点，这是一种新颖架构，将空间和时间身份线索分解为可独立训练的分支，在跨鞋类识别上优于紧凑的 3D 时空基线。我们证明跨鞋类识别性能随训练集中鞋类表征的数量和多样性系统性扩展，且增益可迁移到训练中未直接观察到的鞋类风格。此外，我们表明仅具有部分模态重叠的辅助步态数据集（通过该架构的分解设计纳入）可用于进一步提升对未见鞋类条件的鲁棒性。

中文由 AI 翻译，仅供参考，以原文为准。