ხელოვნური ინტელექტი
სქესის განსაზღვრა სიარულის სტილების მეშვეობით მანქანათმცოდნეობით
რუმინელმა მკვლევარებმა შეიმუშავეს მანქანათმცოდნეობის სისტემა, რომელსაც შეუძლია ამოიცნოს ადამიანის სქესი სიარულის გზაზე, სახის კომპონენტების ანალიზის საჭიროების გარეშე (რომელიც შეიძლება იყოს დამალული ან დაფარული) და სილუეტის ანალიზზე ან სხვა სახის ტანზე დაცვით. მინიშნებები სქესის შესახებ (რომელიც შეიძლება სხვა სქესის წარმომადგენლებმა გააყალბონ).
პირიქით, ახალი სისტემა იყენებს არსებულ ეტიკეტირების სისტემებს, რომლებიც დაფუძნებულია ამ ეფემერულ (და ცვალებადი) სიგნალებზე, რათა გამოავლინოს ძირითადი მახასიათებლები, რომლებიც განასხვავებენ მამაკაცისა და ქალის სიარულის სისტემას, რაც იწვევს სისტემას, რომელიც ეფექტურად განსაზღვრავს სქესს მხოლოდ პიროვნების "ჩონჩხის" მოძრაობებიდან. სიარული.
ფაქტობრივად, ეს ახალი მიდგომა რაოდენობრივად განსაზღვრავს იმ განსხვავებულ გზებს, რომლითაც მამაკაცები და ქალები დადიან სხვა სიგნალების გამოყენების გარეშე; მაგრამ ვინაიდან იგი იყენებს სხვა მახასიათებლებს (როგორიცაა სახის ინფორმაცია) სიარულის სტილის თავდაპირველად ეტიკეტირების მიზნით, კვლევა ღიად ტოვებს კითხვას, თუ რომელი კონკრეტული თვისებები განასხვავებს სქესს სიარულის დროს.
ახალი ქაღალდი სათაურია From Face to Gait: სუსტად ზედამხედველობითი სწავლება გენდერული ინფორმაციის სწავლა საფეხმავლო ნიმუშებიდან, და მოდის ბუქარესტის Politehnica უნივერსიტეტის მკვლევარებისგან.
სისტემა ასრულებს სახის ანალიზის მოდელებს და ხშირად აღემატება ამ სტანდარტებს F1 ანგარიში 91%-მდე და გთავაზობთ ახალი სცენარების განზოგადების მაღალ დონეს, მათ შორის სხვადასხვა თვალსაზრისისა და გარემოების ჩათვლით, რომლებიც, როგორც წესი, დაბლოკავს სახეზე დაფუძნებული ან მსგავსი გენდერული ამოცნობის სისტემების ეფექტურობას. ეს მოიცავს სახის დაჩრდილულ ხედებს, არაფრონტალურ კუთხეებს და დაბალი გარჩევადობის გამოსახულების ძალიან ტიპურ სცენარს, ან იმ ადამიანების ზედამხედველობას, რომლებიც შორს არიან გამოსახულების შიგნით, სადაც მხოლოდ მოძრაობის სტილი რჩება სქესის პოტენციურ საიმედო ინდიკატორად.
გენდერული უფსკრული
როგორც მკვლევარები ასკვნიან, ასეთ სისტემას აქვს დიდი პოტენციალი დემოგრაფიული შეგროვების ჩარჩოებისთვის, რომლებიც ამჟამად ხელს უშლის არა მხოლოდ ნიღბის მიღებას COVID-ის პირობებში, არამედ მოდის და შემთხვევითობის ექსცენტრიულობით, რაც ქმნის ტანსაცმელს და სილუეტის ანალიზი სათვალთვალო კადრებიდან სქესის იდენტიფიცირების არასანდო მეთოდი.
მეთვალყურეობის თვალსაზრისით, ყველა პოტენციური სამიზნის დაკლების შესაძლებლობამ, რომელიც არ შეესაბამება სამიზნე სუბიექტის სქესს, შეიძლება შეამციროს წინასწარი დამუშავება და ადამიანისა და მანქანების ყურადღების საჭიროება განახევრებით – რადგან ამჟამინდელი საიდენტიფიკაციო სისტემები ხშირად უჭირთ სწორად მინიჭებას. სქესი მეთვალყურეობის ქვეშ მყოფი პირისთვის.
ბუნებრივია, სიარულის ანალიზის საშუალებით სქესის საიმედო ამოცნობის შესაძლებლობა სავარაუდოდ გაიზრდება მიმდინარე ინტერესი სიარულის გაყალბების მიდგომების მიმართ.
სქესის განსაზღვრა პროქსით
თეორიულად შესაძლებელია მივაღწიოთ იმავე ფუნქციონირებას, რომელიც მიღწეულია ახალი პროექტის მიერ ხელით დამუშავებული ჩონჩხის მოძრაობის მონაცემების მკაცრი ანალიზით. ეს რომ გაკეთებულიყო, სავარაუდოა, რომ ახალ პროექტს შეიძლება ჰქონდეს უფრო ღრმა ხედვა იმის შესახებ, თუ რომელი მოძრაობის მახასიათებლები საუკეთესოდ განსაზღვრავს გენდერს. თუმცა, ასეთი მიდგომა ნიშნავს რესურსების დიდ ვალდებულებას და მკვლევარებმა სანაცვლოდ გამოიყენეს არსებული (ნაკლებად გამძლე) სისტემები საჭირო ეტიკეტების შესაქმნელად.
ეს „ფსევდო-ეტიკეტები“ არ გვთავაზობს გენდერზე დაფუძნებული სიარულის ნიშან-თვისებებს, მაგრამ შესაძლებელს ხდის სიარულის ნიმუშების გაფილტვრას სქესის მიხედვით უაღრესად განზოგადებული გზით, რაც შეიძლება მიღწეული იყოს რესურსების შეზღუდვის ფარგლებში.
თავდაპირველად მკვლევარებმა გამოიყენეს 2019წ წინა ხედის სიარული (FVG) მონაცემთა ნაკრები, რომელიც მიმართავს სიარულის ამოცნობის გამოწვევას შუბლის კუთხიდან, რომელიც გვთავაზობს ნაკლებ მინიშნებებს, ვიდრე გვერდითი ხედები. მონაცემთა ნაკრები შეიცავს სასეირნო ნიმუშებს მრავალი დაბრკოლებით, როგორიცაა სიარულის სიჩქარის განსხვავებული სისწრაფე, არეულ-დარეული ფონი, განსხვავებული გარჩევადობა და ტანსაცმლის განსხვავება.
ვინაიდან FVG არ არის ორიენტირებული გენდერულ იდენტიფიკაციაზე, ავტორებმა ხელით მოახდინეს ანოტირება მონაცემთა ნაკრებში 226 სუბიექტის გენდერული ინფორმაციით, რათა განევითარებინათ საფუძვლიანი სიმართლე ჩარჩოსთვის.
სახის ამოცნობას ხელი შეუწყო MTCNN-ის საშუალებით და დემოგრაფიული ატრიბუტები განისაზღვრა IMDB-WIKI-ით მონაცემთა ბაზა. ვინაიდან სიარულის ანალიზი პოტენციურად ბევრად უფრო ეფექტურია შორ მანძილზე, ვიდრე სახეზე დაფუძნებული დასკვნა, საბოლოო ეტიკეტები მიღებულ იქნა გენდერული ნდობის საშუალო შეწონილით, რომელიც მიღებული იყო სახის შემოსაზღვრული ყუთის ფართობიდან ჩარჩოს ზომებთან მიმართებაში. ჩონჩხები ამოიღეს AlphaPose, რომელიც შლის ნებისმიერ პოტენციურ „გაჩუქებას“, როგორიცაა სუბიექტის ობიექტური სიმაღლე (რომელიც არ შეიძლება შეფასდეს კონკრეტულად ad hoc საჯარო კამერის სცენარებში).
ტესტირება
სისტემა გამოცდილი იყო წინააღმდეგ CASIA-B სიარულის მონაცემთა ბაზა, მონაცემთა ნაკრებში ზედმეტად წარმოდგენილი მამრობითი სქესის ნიმუშების შერჩევა, რათა უზრუნველყოფილი იყოს ტესტირების თანასწორობა, მონაცემების გაყოფა 80% ტრენინგისთვის და 20% ვალიდაციისთვის.
მკვლევარებმა გამოიყენეს საკუთარი წინა სამუშაო, ა WildGait ქსელი (იხილეთ სურათი ქვემოთ), რათა გამოვთვალოთ მსგავსება სიარულის თანმიმდევრობებს შორის. გენდერული პირადობის მოწმობები, რომლებიც უკვე შეიქმნა, ახლა უკვე ეფექტიანად არის გადაყვანილი ჩარჩო პროცესის ამ ეტაპზე.
დასასრულს, ავტორები აცხადებენ, რომ სისტემა ემთხვევა თანამედროვე სახეზე დაფუძნებულ სისტემებს სქესის განსაზღვრის სიზუსტით. იმის გამო, რომ ამდენი შესაძლო კუთხეა, რაც შეიძლება გამოჩნდეს წყაროზე სიარულის ვიდეოში, შედეგები ნაწილდება ამ შესაძლო ხედვის დიაპაზონში: