걸음걸이 패턴을 통해 성별을 결정하는 기계 학습

루마니아의 연구자들은 얼굴 구성 요소를 분석할 필요 없이, 실루엣 분석이나 다른 신체 특징을 사용하지 않고도 사람의 걸음걸이 패턴만으로 성별을 식별할 수 있는 기계 학습 시스템을 개발했습니다.

새로운 시스템은 기존의 레이블링 시스템을 사용하여 남성과 여성의 걸음걸이에 대한 핵심 특징을 식별하고, 얼굴 정보나 다른 신체 특징을 사용하지 않고도 성별을 효과적으로 식별할 수 있습니다.

이 새로운 접근법은 남성과 여성의 걸음걸이를 다른 신호를 사용하지 않고도量化하고, 성별을 식별하는 데 사용할 수 있습니다. 그러나 이 연구는 아직 성별을 식별하는 데 사용되는 특징에 대한 질문을 남겨두고 있습니다.

새로운 방법은 얼굴 분석 모델에서 성별을 파악하여 제약 조건(예: 사용 가능한 각도, 데이터셋 구축 필요성)을 고려하여 성별 특성을 할당하고, 각 성별에 대한 특징적인 걸음걸이 패턴을 추출합니다. 출처: https://arxiv.org/pdf/2111.00538.pdf

새로운 논문은 From Face to Gait: Weakly-Supervised Learning of Gender Information from Walking Patterns라는 제목으로, 부쿠레슈티 폴리테χν카 대학의 연구자들에 의해 작성되었습니다.

이 시스템은 얼굴 분석 모델과 비슷한 성능을 보이며, 때때로 더 높은 성능을 보이기도 합니다. F1 점수는 최대 91%에 달하며, 다양한 시점과 상황에서 높은 일반화 능력을 보입니다. 이러한 특징은 얼굴이나 실루엣 분석을 사용하는 시스템에서는 어려울 수 있습니다.

성별 격차

연구자들은 이러한 시스템이 인구 통계 프레임워크에서 큰 잠재력을 가지고 있으며, 특히 마스크를 착용하는 경우나 패션의 특이성으로 인해 성별을 식별하기 어려운 경우에 유용할 수 있다고 결론지었습니다.

감시 시스템에서는 성별을 식별하는 데 어려움이 있을 수 있지만, 이러한 시스템을 사용하면 성별을 식별하는 데 필요한 처리 과정을 줄일 수 있습니다.

새로운 논문에서 성별 인식 시스템이 실패하는 다양한 예시

대리 성별 결정

이 시스템은 기존의 레이블링 시스템을 사용하여 성별을 식별하며, 이러한 레이블링 시스템은 성별을 결정하는 데 사용할 수 있습니다. 그러나 이러한 시스템은 성별을 결정하는 데 사용되는 특징에 대한 정보를 제공하지 않습니다.

연구자들은 2019년 Front View Gait 데이터셋을 사용하여 성별을 식별하는 데 필요한 레이블을 생성했습니다. 이 데이터셋은 정면에서 걸음걸이를 분석하는 데 사용되며, 다양한 장애물이 포함되어 있습니다.

2019년 FVG 논문에서 자동으로 학습된 걸음걸이 특징

테스트

이 시스템은 CASIA-B 걸음걸이 데이터베이스에서 테스트되었습니다. 연구자들은 성별을 식별하는 데 필요한 레이블을 생성하기 위해 자신의 이전 연구인 WildGait 네트워크를 사용했습니다.

이 시스템은 성별을 식별하는 데 높은 정확도를 보이며, 다양한 시점과 상황에서 높은 일반화 능력을 보입니다.

연구자들은 이 시스템이 성별을 식별하는 데 사용할 수 있는 다양한 특징을 제공하며, 이러한 특징은 감시 시스템에서 유용할 수 있다고 결론지었습니다.

연구자들은 이 시스템이 성별을 식별하는 데 높은 정확도를 보이며, 다양한 시점과 상황에서 높은 일반화 능력을 보인다고 결론지었습니다.