Bestëmmung vum Geschlecht duerch Walking Styles Mat Machine Learning

Fuerscher aus Rumänien hunn e Maschinnléiersystem entwéckelt, dee fäeg ass d'Geschlecht vun enger Persoun z'identifizéieren aus dem Wee wéi se trëppelen, ouni d'Noutwendegkeet Gesiichtskomponenten ze analyséieren (déi verstoppt oder verstoppt kënne sinn), an ouni op Silhouetteanalyse oder aner Kierpergedroen ze vertrauen Hiweiser zum Geschlecht (déi vu Membere vun engem anere Geschlecht 'verfalsch' ka ginn).

Éischter benotzt den neie System existent Etikettéierungssystemer baséiert op dësen ephemereschen (a verännerlechen) Signaler fir d'Kärcharakteristiken z'identifizéieren déi d'Gang vu Männer a Frae ënnerscheeden, wat zu engem System resultéiert deen effektiv Geschlecht nëmmen aus de 'Skelett' Beweegunge vun enger Persoun identifizéiert. Fouss.

Effektiv quantifizéiert dës nei Approche déi verschidde Weeër, déi Männer a Fraen ouni Recours op aner Signaler spazéieren; awer well et aner Charakteristiken benotzt (wéi Gesiichtsinformatioun) fir ufanks Gaangstiler ze markéieren, léisst d'Fuerschung d'Fro op, wéi eng speziell Charakteristiken d'Geschlechter ënnerscheeden wéi se trëppelen.

Déi nei Method ofgeleet Geschlechtidentitéit vu Gesiichtsanalysemodeller, déi ënner Aschränkungen operéieren (wéi e limitéierten benotzbare Wénkel, an d'Noutwendegkeet fir Dataset Curation). De System gëtt dann Skelettbewegungseigenschaften als männlech oder weiblech, an distilléiert charakteristesch Spazéierschrëften fir all, ignoréiert Gesiicht, Kleeder an aner onzouverlässeg Datenquellen. Source: https://arxiv.org/pdf/2111.00538.pdf

déi nei Pabeier heescht Vun Gesiicht zu Gait: schwaach iwwerwaacht Léiere vu Geschlechtinformatioun vu Walking Mustere, a kënnt vu Fuerscher op der Universitéit Politehnica zu Bukarest.

De System mécht op engem par mat Gesiicht Analyse Modeller, an iwwerschratt dacks dës Standarden, mat engem F1 Score vu bis zu 91%, a bitt en héijen Niveau vun der Generaliséierung op nei Szenarie, dorënner eng Vielfalt vu Standpunkter an Ëmstänn, déi typesch d'Effizienz vu Gesiichtsbaséierten oder ähnlechen Geschlechterkennungssystemer blockéieren. Dëst beinhalt d'Gesiicht-verstoppte Standpunkter, net-frontale Wénkelen an de ganz typesche Szenario vu gerénger Opléisung Biller, oder d'Iwwerwaachung vu Leit déi wäit am Bild sinn, wou nëmme Bewegungsstil als potenziell zouverlässeg Indikator vum Geschlecht bleift.

Geschlecht Gap

Wéi d'Fuerscher ofschléissen, huet sou e System e grousst Potenzial fir demographesch sammelen Kaderen, déi de Moment net nëmmen duerch Maskadoptioun ënner COVID behënnert ginn, awer och duerch d'Exzentrizitéite vu Moud an Zoufall, déi Kleeder maachen an Silhouette Analyse eng onzouverlässeg Method fir Geschlecht aus Iwwerwaachungsmaterial z'identifizéieren.

Wat d'Iwwerwaachung ugeet, fäeg all potenziell Ziler ze reduzéieren, déi net dem Geschlecht vun engem Zilthema passen, kéint d'Virveraarbechtung an d'Bedierfnes fir mënschlech a Maschinn Opmierksamkeet ëm sou vill wéi d'Halschent reduzéieren - well déi aktuell Identifikatiounssystemer dacks kämpfen fir richteg ze ginn. Geschlecht zu engem iwwerwaachten Individuum.

Aus dem neie Pabeier: verschidde Beispiller wou d'Geschlechterkennungssystemer feelen. An der uewe genannter Zeil gesi mir den neie Gaitanalysesystem vun de Fuerscher entspriechend dem richtege Label fir d'Bild (M oder F), wärend d'Gesiichtsanalyse an der selwechter Instanz gescheitert ass. An der Zeil hei drënner gesi mir Fäll wou d'Etikettéierungsinstrumenter, déi vun de Fuerscher benotzt goufen, 'kaméidi' (dh falsch) Geschlechtetiketten produzéiert hunn. Fir dëst entgéintzewierken, hunn d'Fuerscher benotzt PËNNLECH ('Probabilistic End-to-End Noise Correction for Learning with Noisy Labels'), ënner anerem Methoden.

Natierlech wäert d'Méiglechkeet fir zouverlässeg Geschlechterkennung duerch Ganganalyse méiglecherweis eropgoen aktuellen Interessi un Gait-spoofing Approche.

Geschlechtbestëmmung duerch Proxy

Et ass theoretesch méiglech op déiselwecht Funktionalitéit ukomm ze sinn, déi vum neie Projet erreecht gëtt duerch eng strikt Analyse vun hand-curated Skelettbewegungsdaten. Wann dat gemaach wier, ass et wahrscheinlech datt den neie Projet méi déif Abléck hätt a wéi eng Bewegungseigenschaften d'Geschlecht am Beschten definéieren. Wéi och ëmmer, sou eng Approche bedeit e grousst Engagement vu Ressourcen, an d'Fuerscher hunn amplaz existéierend (manner elastesch) Systemer benotzt fir déi néideg Etiketten ze generéieren.

Dës "Pseudo-Etiketten" bidden keen direkten Abléck an Geschlecht-baséiert Trëppelweeër, awer maachen et méiglech Spadséiermuster no Geschlecht ze filteren op eng héich generaliséierbar Manéier déi bannent Ressourcebeschränkungen erreecht ka ginn.

Am Ufank hunn d'Fuerscher den 2019 benotzt Front View Gait (FVG) Dataset, déi d'Erausfuerderung vun der Gangerkennung aus engem frontale Wénkel adresséiert, wat manner Hiweiser bitt wéi lateral Vue. Den Dataset enthält Spazéieren Echantillon mat villen Hindernisser, wéi variéiert Spadséier-Geschwindegkeet, cluttered Hannergrond, variéieren Opléisung an Differenzen an Kleeder.

Vum 2019 FVG Pabeier, GaitNet léiert automatesch déi essentiell Gangfunktioune vu 'Walking Video', baséiert op Front View Footage, e reegelméissege Szenario an ëffentleche Kameraen. Source: https://arxiv.org/pdf/1904.04925.pdf

Zënter datt FVG net op d'Geschlechtidentifikatioun orientéiert ass, hunn d'Autoren 226 Themen an der Dataset manuell annotéiert mat Geschlechtinformatioun fir Grondwahrheet fir de Kader z'entwéckelen.

Gesiichtserkennung gouf duerch MTCNN erliichtert, an demographesch Attributer bestëmmt vum IMDB-WIKI Datebank. Well d'Ganganalyse potenziell vill méi effektiv op laang Distanz ass wéi d'Gesiichtsbaséiert Inferenz, goufen d'final Etiketten duerch e gewiichtent Duerchschnëtt vu Geschlechtvertrauen ofgeleet aus der Géigend vun der Gesiichtsbegrenzungsbox relativ zu den Dimensioune vum Frame kritt. Skeletter goufen extrahéiert mat AlphaPose, deen all potenziell 'Genken' läscht, sou wéi d'objektiv Héicht vum Thema (déi net an ad hoc ëffentlech Kamera Szenarie fir bestëmmte bewäert ka ginn).

Testen

De System gouf getest géint de CASIA-B Gait Datebank, ënnersampling déi iwwerrepresentéiert Männercher am Dataset fir d'Paritéit vum Test ze garantéieren, mat der Datesplit fir 80% Training an 20% Validatioun.

D'Fuerscher hunn hir eege virdrun Aarbecht benotzt, a WildGait Reseau (kuckt Bild hei drënner), fir Ähnlechkeet tëscht Spadséiergäng ze berechnen. D'Geschlecht IDen, déi scho etabléiert sinn, ginn elo effektiv op dës Etapp vum Kaderprozess duerchgefouert.

WildGait ass e Spatio-Temporal Graph Convolutional Network trainéiert op héije Volumen, automatesch annotéiert Skelett Sequenzen ofgeleet aus real-Welt, Iwwerwaachungsstreamen. Source: https://arxiv.org/pdf/2105.05528.pdf

Als Ofschloss soen d'Auteuren datt de System mat modernste Gesiichtsbaséiert Systemer entsprécht wat d'Genauegkeet bei der Bestëmmung vum Geschlecht ugeet. Zënter datt et sou vill méiglech Wénkel ass, déi am Quellwandvideo geschéie kéinten, ginn d'Resultater iwwer eng Rei vu méigleche Standpunkter verdeelt: