تحديد الجنس من خلال أنماط المشي باستخدام التعلم الآلي

قام باحثون من رومانيا بتطوير نظام تعلم آلي قادر على تحديد جنس الشخص من طريقة مشيه ، دون الحاجة إلى تحليل المكونات الوجهية (التي قد تكون مخفية أو معتمة) ، ودون الاعتماد على تحليل السيلهو أو أدلة أخرى على الجنس (التي يمكن خداعها من قبل أفراد الجنس الآخر).

بدلاً من ذلك ، يستخدم النظام الجديد أنظمة التسمية الحالية التي تعتمد على هذه الإشارات العابرة (والقابلة للتغيير) لتحديد الخصائص الأساسية التي تميز مشي الرجال والنساء ، مما يؤدي إلى نظام يمكنه تحديد الجنس بشكل فعال فقط من حركات الهيكل العظمي للشخص أثناء المشي.

بفعالية ، هذا النهج الجديد يقيس طرق المشي المختلفة للرجال والنساء دون اللجوء إلى إشارات أخرى ؛ ومع ذلك ، منذ أن يستخدم سمات أخرى (مثل معلومات الوجه) لتحديد أنماط المشي في البداية ، يترك البحث سؤالاً مفتوحاً حول السمات الخاصة التي تميز الجنسين أثناء المشي.

الطريقة الجديدة تشتق الهوية الجنسية من نماذج تحليل الوجه التي تعمل تحت قيود (مثل الزاوية القابلة للاستخدام المحدودة ، وضرورة تحضير مجموعة البيانات). ثم يخصص النظام سمات حركة الهيكل العظمي كذكور أو إناث ، ويزيد من التوقيعات المميزة للمشي لكل منهما ، مع تجاهل الوجه والملابس والمصادر غير الموثوقة الأخرى للبيانات. مصدر: https://arxiv.org/pdf/2111.00538.pdf

الورقة الجديدة موجودة هنا ، وتمت تسميتها من الوجه إلى المشي: تعلم ضعيف الإشراف لمعلومات الجنس من أنماط المشي ، وتنبع من باحثين في جامعة بوليتكنيكا في بوخارست.

ينفذ النظام على نفس مستوى نماذج تحليل الوجه ، ويتجاوز هذه المعايير في كثير من الأحيان ، مع نسبة F1 تصل إلى 91٪ ، ويوفر مستوى عالٍ من التعميم للسيناريوهات الجديدة ، بما في ذلك مجموعة متنوعة من الزوايا والظروف التي من شأنها عادةً حجب فعالية أنظمة التعرف على الجنس القائمة على الوجه أو أنظمة مماثلة. وتشمل هذه الزوايا الخفية ، والزوايا غير الأمامية ، والسيناريو الشائع للصور ذات الدقة المنخفضة ، أو مراقبة الأشخاص الذين يعيشون على بعد داخل الصورة ، حيث يبقى أسلوب الحركة كدليل موثوق به لتحديد الجنس.

فجوة الجنس

كما يخلص الباحثون إلى أن مثل هذا النظام له إمكانات كبيرة للإطارات الديموغرافية التي تعترضها حاليًا ليس فقط بسبب اعتماد الكمامة في ظل كوفيد ، ولكن أيضًا بسبب غرابة الموضة والصدفة التي تجعل الملابس تحليل السيلهو طريقة غير موثوقة لتحديد الجنس من لقطات المراقبة.

فيما يتعلق بالمراقبة ، يمكن أن يقلل القدرة على استبعاد جميع الأهداف المحتملة التي لا تتوافق مع جنس موضوع الهدف من المعالجة المسبقة وضرورة الانتباه البشري والآلي بنسبة تصل إلى النصف – لأن أنظمة التعرف الحالية غالبًا ما تعاني من صعوبة في تحديد الجنس بشكل صحيح لفرد مراقب.

من الورقة الجديدة: أمثلة مختلفة حيث تفشل أنظمة التعرف على الجنس. في الصف العلوي ، نرى نظام تحليل المشي الجديد يطابق بشكل صحيح التسمية الحقيقية للصورة (M أو F) ، في حين فشل تحليل الوجه في نفس الحالة. في الصف التالي نرى حالات حيث أدت أدوات التسمية المستخدمة من قبل الباحثين إلى إنتاج تسميات جنس “صاخبة” (أي غير صحيحة). لمواجهة ذلك ، استخدم الباحثون PENCIL (‘Probabilistic End-to-end Noise Correction for Learning with Noisy Labels’) ، من بين أساليب أخرى.

من الطبيعي أن زيادة إمكانية التعرف الموثوق على الجنس من خلال تحليل المشي من شأنه أن يزيد الاهتمام الحالي بالنهج المخادع للمشي.

تحديد الجنس بالوكالة

من الناحية النظرية ، من الممكن الوصول إلى نفس الوظيفة التي حققها المشروع الجديد من خلال تحليل بيانات حركة الهيكل العظمي التي تم تحضيرها يدويًا. لو تم القيام بذلك ، فمن المحتمل أن يكون المشروع الجديد قد قدم رؤى أعمق حول السمات الحركية التي تحدد الجنس بشكل أفضل. ومع ذلك ، فإن مثل هذا النهج يشير إلى التزام كبير بالموارد ، وقد استخدم الباحثون بدلاً من ذلك أنظمة موجودة (أقل متانة) لتوليد التسميات اللازمة.

تُقدم هذه “التسميات الزائفة” أي رؤية مباشرة حول سمات المشي القائمة على الجنس ، ولكنها تجعل من الممكن تصفية أنماط المشي حسب الجنس بطريقة قابلة للتعميم بشكل كبير يمكن تحقيقه في إطار قيود الموارد.

في البداية ، استخدم الباحثون مجموعة بيانات Front View Gait (FVG) لعام 2019 ، والتي تطرح تحدي التعرف على المشي من زاوية أمامية ، والتي توفر أدلة أقل من المناظير الجانبية. تحتوي مجموعة البيانات على عينات مشي مع العديد من الحواجز ، مثل سرعة المشي المختلفة ، و خلفية مزدحمة ، و دقة متغيرة ، واختلافات في الملابس.

من ورقة FVG ، يتعلم GaitNet تلقائيًا سمات المشي الأساسية من ‘فيديو المشي’ ، بناءً على لقطات من المنظور الأمامي ، وهو سيناريو عرض شائع في الكاميرات المواجهة للجمهور. مصدر: https://arxiv.org/pdf/1904.04925.pdf

منذ أن لا تتمحور FVG حول تحديد الجنس ، قام المؤلفون بتعيين 226 موضوعًا في مجموعة البيانات بمعلومات الجنس يدويًا لتطوير الحقيقة الأرضية للإطار.

تم تسهيل الكشف عن الوجه من خلال MTCNN ، وتم تحديد السمات الديموغرافية بواسطة مجموعة بيانات IMDB-WIKI dataset. منذ أن يكون تحليل المشي محتملًا أكثر فعالية على مسافات طويلة من الاستدلال القائم على الوجه ، تم الحصول على التسميات النهائية بواسطة متوسط موزون لثقة الجنس المشتق من منطقة المحدد الوجهي نسبة إلى أبعاد الإطار. تم استخراج الهياكل العظمية باستخدام AlphaPose ، والتي تزيل أي “إشارات خادعة” ، مثل ارتفاع موضوع معين (الذي لا يمكن تقييمه بالتأكيد في سيناريوهات الكاميرا العامة).

التجربة

تم اختبار النظام ضد قاعدة بيانات CASIA-B للمشي ، مع عينة تحت تمثيل الذكور في مجموعة البيانات لضمان تكافؤ الاختبار ، مع تقسيم البيانات إلى 80٪ للتدريب و 20٪ للتحقق.

استخدم الباحثون عملًا سابقًا ، وهو شبكة WildGait (انظر الصورة أدناه) ، لحساب التشابه بين تسلسلات المشي. تم تحديد هوية الجنس بالفعل ، و现在 يتم توجيهها بشكل فعال إلى هذه المرحلة من عملية الإطار.

WildGait هو شبكة رسومية متواصلة زمنيًا ومكانيًا مدربة على حجم كبير من تسلسلات الهيكل العظمي المُحَدَّدَة تلقائيًا المشتقة من تدفقات المراقبة الفعلية. مصدر: https://arxiv.org/pdf/2105.05528.pdf

في الختام ، يخلص المؤلفون إلى أن النظام يطابق أنظمة التعرف على الجنس القائمة على الوجه فيما يتعلق بالدقة. منذ أن هناك العديد من الزوايا الممكنة التي يمكن أن تحدث في فيديو المشي المصدر ، يتم توزيع النتائج عبر مجموعة من تلك الزوايا الممكنة: