인공 지능

기계 학습을 통한 보행 스타일을 통한 성별 결정

업데이트 on 2022 년 12 월 9 일

루마니아의 연구원들은 얼굴 구성 요소(숨겨지거나 가려질 수 있음)를 분석할 필요 없이 실루엣 분석이나 기타 신체 착용에 의존하지 않고 걷는 방식으로 사람의 성별을 식별할 수 있는 기계 학습 시스템을 개발했습니다. 성별에 대한 단서(다른 성별의 구성원이 '스푸핑'할 수 있음).

오히려 새로운 시스템은 남성과 여성의 보행을 구별하는 핵심 특성을 식별하기 위해 이러한 일시적인(그리고 변경 가능한) 신호를 기반으로 하는 기존 라벨링 시스템을 사용하여 사람의 '골격' 움직임에서만 성별을 효과적으로 식별하는 시스템을 만듭니다. 걷는.

효과적으로 이 새로운 접근 방식은 다른 신호에 의지하지 않고 남성과 여성이 걷는 다양한 방식을 정량화합니다. 그러나 초기에 걸음걸이 스타일에 레이블을 지정하기 위해 다른 특성(예: 얼굴 정보)을 사용하기 때문에 연구는 걸을 때 성별을 구별하는 특정 특성에 대한 질문을 열어 둡니다.

새로운 방법은 제약 조건(예: 제한된 사용 가능한 각도 및 데이터 세트 큐레이션의 필요성)에서 작동하는 안면 분석 모델에서 성별 정체성을 도출합니다. 그런 다음 시스템은 골격 운동 특성을 남성 또는 여성으로 할당하고 얼굴, 의복 및 기타 신뢰할 수 없는 데이터 소스를 무시하고 각각의 특징적인 걷기 서명을 추출합니다. 출처 : https://arxiv.org/pdf/2111.00538.pdf

새로운 종이 제목은 From Face to Gait: 보행 패턴을 통한 성별 정보의 약지도 학습, 그리고 부쿠레슈티에 있는 University Politehnica의 연구원들로부터 왔습니다.

이 시스템은 안면 분석 모델과 동등하게 작동하며 종종 이러한 표준을 초과합니다. F1 점수 얼굴 기반 또는 유사한 성별 인식 시스템의 효과를 일반적으로 차단하는 다양한 관점과 상황을 포함하여 새로운 시나리오에 대해 높은 수준의 일반화를 제공합니다. 여기에는 얼굴이 가려진 관점, 정면이 아닌 각도 및 저해상도 이미지의 매우 전형적인 시나리오 또는 이미지 내에서 멀리 떨어진 사람들의 감시가 포함되며, 여기서 움직임 스타일만이 잠재적으로 신뢰할 수 있는 성별 지표로 남아 있습니다.

성차

연구자들이 결론을 내렸듯이, 이러한 시스템은 현재 COVID 하에서 마스크 채택뿐만 아니라 패션의 기이함과 의류 및 실루엣 분석 감시 영상에서 성별을 식별하는 신뢰할 수 없는 방법입니다.

감시 측면에서 대상 대상의 성별에 맞지 않는 모든 잠재적 대상을 할인할 수 있으면 전처리와 인간과 기계의 주의를 절반으로 줄일 수 있습니다. 감시 대상자의 성별.

새 논문에서: 성별 인식 시스템이 실패한 다양한 사례. 위 행에서 우리는 연구원의 새로운 보행 분석 시스템이 이미지의 실제 레이블(M 또는 F)과 정확하게 일치하는 것을 볼 수 있지만 얼굴 분석은 같은 경우에 실패했습니다. 아래 행에서 연구자들이 사용하는 라벨링 도구가 '시끄러운'(즉, 부정확한) 성별 라벨을 생성한 경우를 볼 수 있습니다. 이에 대응하기 위해 연구원들은 연필 ('노이즈 레이블 학습을 위한 확률론적 종단 간 노이즈 수정') 등이 있습니다.

당연히 보행 분석을 통한 신뢰할 수 있는 성별 인식 가능성이 높아질 가능성이 높다. 보행 스푸핑 접근법에 대한 현재의 관심.

대리인에 의한 성별 결정

수작업으로 선별한 골격 운동 데이터의 엄격한 분석을 통해 새 프로젝트에서 달성한 것과 동일한 기능에 도달하는 것이 이론적으로 가능합니다. 이것이 이루어졌다면 새 프로젝트는 성별을 가장 잘 정의하는 움직임 특성에 대한 더 깊은 통찰력을 가질 수 있습니다. 그러나 이러한 접근 방식은 자원의 큰 투입을 의미하며 연구자들은 필요한 레이블을 생성하기 위해 기존(덜 탄력적인) 시스템을 대신 사용했습니다.

이러한 '의사 라벨'은 성별 기반 보행 특성에 대한 직접적인 통찰력을 제공하지 않지만 리소스 제약 내에서 달성할 수 있는 매우 일반화 가능한 방식으로 성별별로 보행 패턴을 필터링할 수 있습니다.

처음에 연구원들은 2019년을 사용했습니다. 전면 보기 보행 (FVG) 데이터 세트는 측면 보기보다 적은 단서를 제공하는 정면 각도에서 보행 인식 문제를 해결합니다. 데이터 세트에는 다양한 보행 속도, 어수선한 배경, 다양한 해상도 및 옷의 차이와 같은 많은 장애물이 있는 보행 샘플이 포함되어 있습니다.

2019년 FVG 논문에서 GaitNet은 공공 카메라에서 자주 보는 시나리오인 정면 영상을 기반으로 '걷는 비디오'에서 필수 보행 기능을 자동으로 학습합니다. 출처 : https://arxiv.org/pdf/1904.04925.pdf

FVG는 성별 식별을 지향하지 않기 때문에 저자는 프레임워크에 대한 실측 정보를 개발하기 위해 성별 정보로 데이터 세트의 226개 주제에 수동으로 주석을 달았습니다.

안면 감지는 MTCNN을 통해 촉진되었으며 IMDB-WIKI에 의해 결정된 인구통계학적 특성 데이터 세트. 보행 분석은 얼굴 기반 추론보다 장거리에서 잠재적으로 훨씬 더 효과적이기 때문에 최종 레이블은 프레임 치수에 상대적인 얼굴 경계 상자 영역에서 파생된 성별 신뢰도의 가중 평균으로 얻었습니다. 해골은 다음과 같이 추출되었습니다. 알파포즈, 피사체의 객관적인 높이와 같은 잠재적인 '공짜'를 제거합니다(임의의 공개 카메라 시나리오에서는 확실하게 평가할 수 없음).