การกำหนดเพศผ่านรูปแบบการเดินโดยใช้การเรียนรู้ของเครื่องจักร

นักวิจัยจากโรมาเนียได้พัฒนาระบบการเรียนรู้ของเครื่องจักรที่สามารถระบุเพศของบุคคลจากวิธีการเดินของพวกเขา โดยไม่ต้องวิเคราะห์องค์ประกอบของใบหน้า (ซึ่งอาจถูกซ่อนหรือบดบัง) และไม่ต้องอาศัยการวิเคราะห์เส้นรอบร่างหรือสัญญาณอื่นๆ ที่เกี่ยวข้องกับเพศ (ซึ่งสามารถถูกหลอกลวงได้โดยสมาชิกของเพศอื่น)

ระบบใหม่นี้ใช้ระบบการให้ฉลากที่มีอยู่แล้วซึ่งอาศัยสัญญาณที่เปลี่ยนแปลงได้ (และเปลี่ยนแปลงได้) เพื่อระบุลักษณะพื้นฐานที่แตกต่างกันระหว่างการเดินของชายและหญิง ซึ่งนำไปสู่ระบบที่สามารถระบุเพศได้จากเพียงการเคลื่อนไหวของกระดูกของบุคคลที่เดินเท่านั้น

โดยทั่วไป ระบบใหม่นี้จะ量化วิธีการเดินของชายและหญิงที่แตกต่างกันโดยไม่ต้องอาศัยสัญญาณอื่นๆ แต่เนื่องจากใช้ลักษณะอื่นๆ (เช่น ข้อมูลใบหน้า) เพื่อระบุฉลากการเดินในตอนแรก การวิจัยจึงทิ้งคำถามที่ว่าลักษณะเฉพาะใดที่ทำให้เพศแตกต่างกันเมื่อเดิน

วิธีการใหม่นี้กำหนดเพศจากแบบจำลองการวิเคราะห์ใบหน้าที่ทำงานภายใต้ข้อจำกัด (เช่น มุมที่ใช้ได้จำกัด และความจำเป็นในการดูแลข้อมูล) Source: https://arxiv.org/pdf/2111.00538.pdf

เอกสารใหม่ฉบับนี้มีชื่อว่า From Face to Gait: Weakly-Supervised Learning of Gender Information from Walking Patterns และมาจากนักวิจัยที่มหาวิทยาลัย Politehnica ในบูคาเรสต์

ระบบนี้ทำงานได้ดีเทียบเท่ากับระบบการวิเคราะห์ใบหน้า และมักจะเกินมาตรฐานเหล่านั้น โดยมีคะแนน F1 สูงถึง 91% และมีการทั่วไปสูงในสถานการณ์ใหม่ๆ รวมถึงมุมมองที่หลากหลายและสถานการณ์ที่ปกติจะขัดขวางประสิทธิภาพของระบบการรู้จำเพศที่อาศัยใบหน้าหรือระบบอื่นๆ ที่คล้ายกัน

ช่องว่างเพศ

ตามที่นักวิจัยสรุป ระบบดังกล่าวมีศักยภาพสูงสำหรับกรอบการทำงานในการรวบรวมข้อมูลประชากรที่ปัจจุบันถูกขัดขวางไม่เพียงแต่โดยการ采用หน้ากากในช่วงโควิด-19 แต่ยังรวมถึงความประหลาดของแฟชั่นและความบังเอิญที่ทำให้การวิเคราะห์เส้นรอบร่างหรือการให้ฉลากเป็นวิธีการที่ไม่น่าเชื่อถือในการระบุเพศจากภาพถ่ายการ giám sát

ในแง่ของการ giám sát การสามารถละเว้นเป้าหมายที่ไม่เหมาะสมทั้งหมดที่ไม่ตรงกับเพศของเป้าหมายอาจลดการประมวลผลและความจำเป็นในการให้ความสนใจของมนุษย์และเครื่องจักรได้มากถึงครึ่งหนึ่ง เนื่องจากระบบการระบุประจำตัวปัจจุบันมักจะดิ้นรนในการกำหนดเพศให้กับบุคคลที่ถูก giám sátอย่างถูกต้อง

จากเอกสารใหม่: ตัวอย่างต่างๆ ที่ระบบการรู้จำเพศล้มเหลว ในแถวบนสุด เราจะเห็นระบบการวิเคราะห์การเดินใหม่ของนักวิจัยที่ตรงกับฉลากที่แท้จริงของภาพ (M หรือ F) ในขณะที่การวิเคราะห์ใบหน้าล้มเหลวในกรณีเดียวกัน ในแถวด้านล่าง เราจะเห็นตัวอย่างที่เครื่องมือการให้ฉลากที่นักวิจัยใช้ได้สร้างฉลาก ‘เสียง’ ( tứcคือ ฉลากที่ไม่ถูกต้อง) ขึ้นมา

การกำหนดเพศโดยการแทน

เป็นไปได้ที่จะบรรลุถึงฟังก์ชันเดียวกับที่โครงการใหม่นี้ได้โดยการวิเคราะห์ข้อมูลการเคลื่อนไหวของกระดูกที่ได้รับการดูแลอย่างรอบคอบ หากทำเช่นนั้น โครงการใหม่อาจมีข้อมูลเชิงลึกที่ลึกซึ้งยิ่งขึ้นเกี่ยวกับลักษณะการเคลื่อนไหวที่กำหนดเพศได้ดีที่สุด อย่างไรก็ตาม วิธีการดังกล่าวต้องใช้ทรัพยากรจำนวนมาก และนักวิจัยได้ใช้ระบบที่มีอยู่แล้ว (ซึ่งไม่คงทน) เพื่อสร้างฉลากที่จำเป็น

ฉลาก ‘เทียม’ เหล่านี้ไม่ได้ให้ข้อมูลเชิงลึกโดยตรงเกี่ยวกับคุณลักษณะการเดินตามเพศ แต่ทำให้สามารถกรองรูปแบบการเดินตามเพศได้อย่างมีการทั่วไปสูง ซึ่งสามารถทำได้ภายในข้อจำกัดของทรัพยากร

ในตอนแรก นักวิจัยใช้ฐานข้อมูล Front View Gait (FVG) ปี 2019 ซึ่งกล่าวถึงความท้าทายในการรู้จำการเดินจากมุมหน้า ซึ่งมีข้อมูลน้อยกว่ามุมด้านข้าง ฐานข้อมูลนี้มีตัวอย่างการเดินพร้อมกับอุปสรรคมากมาย เช่น ความเร็วการเดินที่แตกต่างกัน พื้นหลังที่มีของกระจุกกระจิก ความละเอียดที่แตกต่างกัน และความแตกต่างในเสื้อผ้า

จากเอกสาร FVG ปี 2019 GaitNet เรียนรู้คุณลักษณะการเดินที่จำเป็นจาก ‘วิดีโอการเดิน’ โดยอาศัยภาพมุมหน้า ซึ่งเป็นสถานการณ์ที่พบได้บ่อยในกล้องสาธารณะ Source: https://arxiv.org/pdf/1904.04925.pdf

เนื่องจาก FVG ไม่ได้ถูกออกแบบมาเพื่อการระบุเพศ นักวิจัยจึงให้ฉลาก 226 หัวข้อในฐานข้อมูลด้วยข้อมูลเพศเพื่อสร้างข้อมูลพื้นฐานสำหรับกรอบการทำงาน

การทดสอบ

ระบบนี้ถูกทดสอบกับฐานข้อมูล CASIA-B โดยการทำการถอดแบบข้อมูลที่มีผู้ชายมากเกินไปในฐานข้อมูลเพื่อให้แน่ใจว่ามีการทดสอบที่เท่าเทียมกัน โดยแบ่งข้อมูลออกเป็น 80% สำหรับการฝึกอบรมและ 20% สำหรับการตรวจสอบ

นักวิจัยใช้ผลงานก่อนหน้าของตนเอง ซึ่งเป็นเครือข่าย WildGait (ดูภาพด้านล่าง) เพื่อคำนวณความคล้ายคลึงระหว่างลำดับการเดิน

WildGait เป็นเครือข่าย Spatio-Temporal Graph Convolutional ที่ได้รับการฝึกอบรมจากลำดับกระดูกที่ได้รับการทำเครื่องหมายอัตโนมัติจากสตรีมการ giám sátในโลกแห่งความเป็นจริง Source: https://arxiv.org/pdf/2105.05528.pdf

เมื่อสรุป นักวิจัยระบุว่าระบบนี้ตรงกับระบบการวิเคราะห์ใบหน้าที่มีอยู่ในด้านความแม่นยำในการกำหนดเพศ เนื่องจากมีมุมมองที่เป็นไปได้มากมายที่อาจเกิดขึ้นใน视频การเดิน ผลลัพธ์จึงถูกกระจายไปทั่วมุมมองที่เป็นไปได้เหล่านั้น