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 معطوبة) ، ودون الاعتماد على تحليل السيلهو أو أدلة أخرى على الجنس (التي يمكن التلاعب بها من قبل أفراد الجنس الآخر).

بدلاً من ذلك ، يستخدم النظام الجديد أنظمة التسمية الحالية التي تعتمد على هذه الإشارات العابرة (والتي يمكن تغييرها) لتحديد السمات الأساسية التي تميز مشي الرجال والنساء ، مما يؤدي إلى نظام يحدد الجنس بشكل فعال فقط من حركات الهيكل العظمي للشخص أثناء المشي.

بصورة فعالة ، يُقنّص هذا النهج الجديد الطرق المختلفة التي يمشي بها الرجال والنساء بدون اللجوء إلى إشارات أخرى ؛ ومع ذلك ،由于 أنه يستخدم سمات أخرى (مثل معلومات الوجه) لتحديد أنماط المشي في البداية ، تترك الدراسة سؤالاً مفتوحاً حول السمات الخاصة التي تميز الجنسين أثناء المشي.

الطريقة الجديدة تستمد الهوية الجنسية من نماذج تحليل الوجه التي تعمل تحت قيود (مثل الزاوية القابلة للاستخدام المحدودة ، وضرورة تحضير البيانات). ثم يخصص النظام سمات الحركة الهيكلية كذكر أو أنثى ، ويوضح التوقيعات المميزة للمشي لكل منهما ، مع تجاهل الوجه والملابس والمصادر غير الموثوقة الأخرى للبيانات. مصدر: https://arxiv.org/pdf/2111.00538.pdf

الورقة الجديدة بعنوان من الوجه إلى المشي: تعلم ضعيف الإشراف لمعلومات الجنس من أنماط المشي ، وتأتي من باحثين في جامعة بوليتكنيكا في بوخارست.

يؤدي النظام على نفس مستوى نماذج تحليل الوجه ، وأحياناً يتجاوز هذه المعايير ، مع مقياس F1 يصل إلى 91٪ ، ويوفر مستوى عالٍ من التعميم على سيناريوهات جديدة ، بما في ذلك مجموعة متنوعة من الزوايا والظروف التي عادةً ما تعيق فعالية أنظمة تحليل الوجه أو أنظمة تحديد الجنس المماثلة. وتشمل هذه الزوايا التي تحجب الوجه ، والزوايا غير الأمامية ، والسيناريو الشائع للصور ذات الدقة المنخفضة ، أو مراقبة الأشخاص الذين يكونون بعيدين في الصورة ، حيث لا يبقى إلا نمط الحركة كدليل موثوق على الجنس.

فجوة الجنس

كما يخلص الباحثون إلى أن مثل هذا النظام له إمكانات كبيرة لإطارات جمع البيانات الديموغرافية التي تعيقها حالياً ليس فقط استخدام الكمامة في ظل كوفيد ، ولكن أيضاً غرابة الأزياء والصدفة التي تجعل الملابس وتحليل 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 الفرد المستهدف من المعالجة المسبقة وضرورة الانتباه البشري والآلي بنسبة تصل إلى النصف – لأن أنظمة التعريف الحالية غالباً ما تعاني من صعوبة في تعيين الجنس بشكل صحيح لفرد مراقب.

<img class="wp-image-178491 size-full" src="https://www.unite.ai/wp-content/uploads/2021/11/false-positives-in-gender-recognition-through-facial-analysis-and-other-factors.jpg" alt="من الورقة الجديدة: أمثلة مختلفة حيث تفشل أنظمة تحديد الجنس. في الصف العلوي ، نرى نظام تحليل المشي الجديد يطابق بشكل صحيح التسمية الحقيقية للصورة (م أو أنثى) ، بينما 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 خاطئة). لمواجهة ذلك ، استخدم الباحثون PENCIL (“تصحيح الضوضاء الاحتمالي من النهاية إلى النهاية للتعلم مع تسميات خاطئة”) ، من بين أساليب أخرى.” width=”688″ height=”628″ /> من الورقة الجديدة: أمثلة مختلفة حيث تفشل أنظمة تحديد الجنس. في الصف العلوي ، نرى نظام تحليل المشي الجديد يطابق بشكل صحيح التسمية الحقيقية للصورة (م أو أنثى) ، بينما 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 خاطئة). لمواجهة ذلك ، استخدم الباحثون PENCIL (“تصحيح الضوضاء الاحتمالي من النهاية إلى النهاية للتعلم مع تسميات خاطئة”) ، من بين أساليب أخرى.

من الطبيعي أن زيادة إمكانية تحديد الجنس الموثوق من خلال تحليل المشي سترفع الاهتمام الحالي بأساليب التلاعب بالمشي.

تحديد الجنس بالوكالة

من الناحية النظرية ، كان من الممكن الوصول إلى نفس الوظيفية التي حققها المشروع الجديد من خلال تحليل متعمق لبيانات الحركة الهيكلية المحددة يدويًا. لو تم ذلك ، فمن المحتمل أن يكون المشروع الجديد قد قدم رؤى أعمق حول السمات الحركية التي تعرف الجنس بشكل أفضل. ومع ذلك ، فإن هذا النهج يعني التزامًا كبيرًا بالموارد ، وبدلاً من ذلك ، استخدم الباحثون أنظمة موجودة (أقل متانة) لتوليد التسميات اللازمة.

تُقدم هذه “التسميات الوهمية” رؤى مباشرة حول سمات المشي المرتبطة بالجنس ، ولكنها تجعل من الممكن تصفية أنماط المشي حسب الجنس بطريقة قابلة للتعميم بشكل كبير يمكن تحقيقه في إطار قيود الموارد.

استخدم الباحثون في البداية مجموعة بيانات Front View Gait لعام 2019 ، والتي تتعامل مع تحدي تحليل المشي من زاوية أمامية ، والتي توفر أدلة أقل من الزوايا الجانبية. تحتوي مجموعة البيانات على عينات مشي مع العديد من العوائق ، مثل سرعة المشي المختلفة ، و خلفية مزدحمة ، ودقة متغيرة ، واختلافات في الملابس.

من ورقة FVG لعام 2019 ، يتعلم GaitNet تلقائيًا سمات المشي الأساسية من “فيديو المشي” ، بناءً على لقطات من الأمام ، وهو سيناريو مراقبة شائع في الكاميرات التي تواجه الجمهور. مصدر: https://arxiv.org/pdf/1904.04925.pdf

由于 مجموعة بيانات FVG لا تركز على تحديد الجنس ، قام المؤلفون بتعليم 226 موضوعًا في مجموعة البيانات بمعلومات الجنس يدويًا لتطوير الحقيقة الأرضية للإطار.

تم تسهيل الكشف عن الوجه من خلال MTCNN ، وتحديد السمات الديموغرافية بواسطة مجموعة بيانات IMDB-WIKI dataset. منذ أن يكون تحليل المشي أكثر فعالية محتملًا على مسافات طويلة من تحليل الوجه ، تم الحصول على التسميات النهائية بواسطة متوسط مرجح لثقة الجنس المشتق من مساحة المربع الذي يحيط بالوجه بالنسبة لأبعاد الإطار. تم استخراج الهياكل العظمية بواسطة AlphaPose ، والتي تزيل أي “إشارات” محتملة ، مثل ارتفاع موضوع معين (الذي لا يمكن تقييمه بشكل مؤكد في سيناريوهات الكاميرا العامة).

الاختبار

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

استخدم الباحثون عملًا سابقًا ، وهو شبكة WildGait (انظر الصورة أدناه) ، لحساب التشابه بين تسلسلات المشي. يتم الآن نقل معرفات الجنس ، التي تم تحديدها بالفعل ، إلى هذه المرحلة من عملية الإطار.

WildGait هو شبكة تجميع графية فضائية-زمنية مدربة على تسلسلات هيكلية ذات حجم كبير ومُannotated تلقائيًا من تدفقات مراقبة حقيقية. مصدر: https://arxiv.org/pdf/2105.05528.pdf

في الختام ، يُشير المؤلفون إلى أن النظام يطابق أنظمة تحليل الوجه التي تعتمد على أفضل التقنيات فيما يتعلق بالدقة في تحديد الجنس. منذ أن هناك العديد من الزوايا الممكنة التي يمكن أن تحدث في فيديو المشي ، يتم توزيع النتائج عبر مجموعة من تلك الزوايا الممكنة: