Andersonの視点
歩き方から性別を判断するマシンラーニング
Unite.AI を Google の優先ソースに追加
ルーマニアの研究者は、歩き方から性別を判断するマシンラーニングシステムを開発しました。このシステムは、顔の特徴を分析することなく、歩き方から性別を判断できます。また、シルエット分析やその他の身体的特徴を分析する必要もありません。
この新しいシステムは、既存のラベル付けシステムを使用して、男性と女性の歩き方の違いを特定します。結果として、歩き方から性別を判断するシステムが開発されました。
この新しいアプローチは、歩き方の違いを定量化し、他の信号を使用せずに性別を判断します。ただし、顔情報を使用して歩き方のスタイルをラベル付けするため、性別を判断する際に使用される特徴については疑問が残ります。
新しい方法は、顔分析モデルから性別を判断します。システムは、骨格の動きを男性または女性としてラベル付けし、歩き方の特徴を抽出します。顔、服、他の信号は無視されます。ソース：https://arxiv.org/pdf/2111.00538.pdf
新しい論文は、From Face to Gait: Weakly-Supervised Learning of Gender Information from Walking Patternsと題されています。ブカレスト工科大学の研究者によって発表されました。
このシステムは、顔分析モデルと同等の精度で性別を判断します。F1スコアは91%まで達し、さまざまな視点や状況に対して高い汎用性を示します。これには、顔が隠された視点、非正面角度、低解像度画像など、顔ベースのシステムが効果的ではない状況が含まれます。
性別格差
研究者は、このシステムは、現在マスクの使用やファッションの変化により困難になっている人口統計フレームワークに大きな潜在性を持っていることを結論付けています。さらに、監視システムは、ターゲットの性別に合わない可能性のあるターゲットを除外することで、前処理と人間の注意を必要とするターゲットの数を半分に減らすことができます。
現在のシステムは、監視対象者の性別を正確に判断することが困難です。この新しいアプローチは、性別を判断するために歩き方を使用することで、この問題を解決する可能性があります。
新しい論文からの例：顔分析と他の要因を使用した性別認識システムの誤認例。上の行では、新しい歩き方分析システムが正しいラベル（MまたはF）を割り当てているのに対し、顔分析は失敗しています。下の行では、研究者が使用したラベル付けツールが「ノイズ」のある（誤った）性別ラベルを生成しています。対策として、研究者はPENCIL（Probabilistic End-to-end Noise Correction for Learning with Noisy Labels）を使用しました。
歩き方分析を使用した信頼性の高い性別認識の可能性は、歩き方スプーフィングアプローチの関心を高める可能性があります。
代理による性別判断
理論的には、手作業で骨格の動きデータを分析することで、同じ機能を達成することができます。しかし、このアプローチには多大なリソースが必要であり、研究者は代わりに既存のシステムを使用して必要なラベルを生成しました。
これらの「疑似ラベル」は、性別に基づく歩き方の特徴についての明確な洞察を提供しませんが、歩き方のパターンを性別でフィルタリングするための一般化可能な方法を提供します。
研究者は、2019年のFront View Gait（FVG）データセットを使用しました。このデータセットは、歩き方認識の課題に対処するために、正面からの視点で歩き方を分析します。データセットには、歩き方の速度、背景、解像度、服装の違いなど、さまざまな障害物が含まれています。
2019年のFVG論文からの画像：GaitNetは、歩き方ビデオから歩き方の特徴を自動的に抽出します。ソース：https://arxiv.org/pdf/1904.04925.pdf
FVGデータセットには性別情報が含まれないため、研究者は226人の被験者に手動で性別ラベルを付けて、フレームワークの基準事実を開発しました。
顔検出はMTCNNを使用して実行され、人口統計属性はIMDB-WIKIデータセットを使用して決定されました。歩き方分析は、顔ベースの推論よりも遠距離で効果的である可能性があるため、最終的なラベルは顔のバウンディングボックスの面積に基づいて性別の信頼度の加重平均で取得されました。骨格はAlphaPoseを使用して抽出され、身長などの潜在的な「特徴」を除去しました。
テスト
システムは、CASIA-B歩き方データベースに対してテストされました。データは、過剰に表現された男性を下サンプリングしてテストの平等を確保し、80%のデータをトレーニングに、20%のデータを検証に使用しました。
研究者は、歩き方シーケンスの類似性を計算するために、以前の研究で開発したWildGaitネットワークを使用しました。すでに確立された性別IDが、このフレームワークプロセスのこの段階に有効に導入されます。
WildGaitは、リアルワールドの監視ストリームから自動的に注釈付けされたスケルトンシーケンスを使用してトレーニングされた、時空間グラフ畳み込みネットワークです。ソース：https://arxiv.org/pdf/2105.05528.pdf
結論として、著者は、このシステムが顔ベースのシステムと同等の精度で性別を判断することを示しています。歩き方ビデオには多数の可能な角度が存在するため、結果はこれらの視点の範囲にわたって分布しています。
