Determinação de Gênero Através de Estilos de Caminhada com Aprendizado de Máquina

Pesquisadores da Romênia desenvolveram um sistema de aprendizado de máquina capaz de identificar o gênero de uma pessoa pelo modo como ela caminha, sem a necessidade de analisar componentes faciais (que podem estar escondidos ou obscurecidos), e sem confiar na análise de silhueta ou outras dicas de gênero (que podem ser “spoofadas” por membros de outro gênero).

Em vez disso, o novo sistema utiliza sistemas de rotulagem existentes baseados nesses sinais efêmeros (e mutáveis) para identificar as características centrais que distinguem a marcha de homens e mulheres, resultando em um sistema que efetivamente identifica o gênero apenas pelos movimentos “esqueletais” de uma pessoa caminhando.

Em essência, essa nova abordagem quantifica as diferentes maneiras pelas quais homens e mulheres caminham sem recorrer a outros sinais; mas como utiliza outras características (como informações faciais) para rotular inicialmente os estilos de marcha, a pesquisa deixa aberta a questão de quais traços particulares distinguem os sexos enquanto caminham.

O novo método deriva a identidade de gênero de modelos de análise facial que operam sob restrições (como ângulo limitado e a necessidade de curação de conjuntos de dados). O sistema então atribui características de movimento esqueletal como masculino ou feminino e destila assinaturas de caminhada características para cada um, ignorando facial, roupas e outras fontes de dados não confiáveis. Fonte: https://arxiv.org/pdf/2111.00538.pdf

O novo artigo é intitulado De Rosto para Marcha: Aprendizado de Máquina Fraco de Informações de Gênero a Partir de Padrões de Caminhada e vem de pesquisadores da Universidade Politehnica de Bucareste.

O sistema atua em par com os modelos de análise facial, e frequentemente excede esses padrões, com um escore F1 de até 91%, e oferece um alto nível de generalização para novos cenários, incluindo uma variedade de pontos de vista e circunstâncias que normalmente bloqueiam a eficácia dos sistemas de reconhecimento de gênero baseados em face ou semelhantes. Isso inclui pontos de vista obscurecidos, ângulos não frontais e o cenário muito comum de imagens de baixa resolução, ou a vigilância de pessoas que estão distantes dentro da imagem, onde apenas o estilo de movimento permanece como um indicador potencialmente confiável de gênero.

Diferença de Gênero

Como os pesquisadores concluem, tal sistema tem grande potencial para estruturas de coleta de dados demográficos que atualmente são dificultadas não apenas pela adoção de máscaras sob a COVID, mas também pelas peculiaridades da moda e do acaso que tornam a roupa e a análise de silhueta um método não confiável de identificar o gênero a partir de imagens de vigilância.

Em termos de vigilância, ser capaz de descartar todos os alvos potenciais que não se encaixam no gênero do sujeito-alvo pode reduzir o pré-processamento e a necessidade de atenção humana e de máquina em até metade – porque os sistemas de identificação atuais frequentemente lutam para atribuir corretamente o gênero a um indivíduo vigiado.

Do novo artigo: vários exemplos onde os sistemas de reconhecimento de gênero falham. Na linha acima, vemos o novo sistema de análise de marcha dos pesquisadores corretamente correspondendo à etiqueta real para a imagem (M ou F), enquanto a análise facial falha no mesmo caso. Na linha abaixo, vemos instâncias onde as ferramentas de rotulagem utilizadas pelos pesquisadores produziram etiquetas de gênero ‘barulhentas’ (ou seja, incorretas). Para contrariar isso, os pesquisadores utilizaram PENCIL (‘Correção de Ruído Probabilística de Ponta a Ponta para Aprendizado com Etiquetas Barulhentas’), entre outros métodos.

Naturalmente, a possibilidade de reconhecimento de gênero confiável por meio da análise de marcha provavelmente aumentará o interesse atual em abordagens de “spoofing” de marcha.

Determinação de Gênero por Procuração

É teoricamente possível ter chegado à mesma funcionalidade alcançada pelo novo projeto por meio de uma análise rigorosa de dados de movimento esqueletal curados manualmente. Se isso tivesse sido feito, é provável que o novo projeto tivesse insights mais profundos sobre quais características de movimento definem melhor o gênero. No entanto, tal abordagem significaria um grande compromisso de recursos, e os pesquisadores utilizaram, em vez disso, sistemas existentes (menos resistentes) para gerar as etiquetas necessárias.

Essas ‘etiquetas pseudo’ não oferecem nenhuma visão direta sobre características de caminhada baseadas em gênero, mas permitem filtrar padrões de caminhada por gênero de uma maneira altamente generalizável que pode ser alcançada dentro de restrições de recursos.

Inicialmente, os pesquisadores utilizaram o conjunto de dados Front View Gait (FVG) de 2019, que aborda o desafio do reconhecimento de marcha a partir de um ângulo frontal, que oferece menos pistas do que as vistas laterais. O conjunto de dados contém amostras de caminhada com muitos obstáculos, como velocidade de caminhada variada, fundo bagunçado, resolução variada e diferenças na roupa.

Do artigo FVG de 2019, GaitNet aprende automaticamente as características essenciais de marcha a partir de ‘vídeo de caminhada’, com base em imagens de vista frontal, um cenário de visualização frequente em câmeras públicas. Fonte: https://arxiv.org/pdf/1904.04925.pdf

Como o FVG não está orientado para a identificação de gênero, os autores anotaram manualmente 226 sujeitos no conjunto de dados com informações de gênero para desenvolver a verdade fundamentada para a estrutura.

A detecção facial foi facilitada por meio do MTCNN, e os atributos demográficos foram determinados pelo conjunto de dados IMDB-WIKI dataset. Como a análise de marcha é potencialmente muito mais eficaz em longa distância do que a inferência baseada em face, as etiquetas finais foram obtidas por uma média ponderada da confiança de gênero derivada da área da caixa delimitadora facial em relação às dimensões do quadro. Os esqueletos foram extraídos com AlphaPose, que remove qualquer “dica” potencial, como a altura objetiva do sujeito (que não pode ser avaliada com certeza em cenários de câmera pública ad hoc).

Testes

O sistema foi testado contra o banco de dados de marcha CASIA-B, subamostrando os homens super-representados no conjunto de dados para garantir a paridade de teste, com os dados divididos em 80% para treinamento e 20% para validação.

Os pesquisadores utilizaram seu próprio trabalho anterior, uma rede WildGait (veja a imagem abaixo), para calcular a similaridade entre sequências de caminhada. As IDs de gênero, já estabelecidas, agora são efetivamente introduzidas nessa etapa do processo da estrutura.

WildGait é uma Rede de Convolução Gráfica Espaço-Temporal treinada em sequências de esqueleto de alta volume, anotadas automaticamente, derivadas de fluxos de vigilância do mundo real. Fonte: https://arxiv.org/pdf/2105.05528.pdf

Em conclusão, os autores afirmam que o sistema atinge os sistemas baseados em face de ponta em termos de precisão na determinação do gênero. Como há muitos ângulos possíveis que podem ocorrer em vídeos de caminhada, os resultados são distribuídos por uma variedade desses pontos de vista possíveis: