Makine Öğrenimi ile Yürüyüş Tarzları Yoluyla Cinsiyet Belirleme

Romanya'dan araştırmacılar, yüz bileşenlerini (gizli veya belirsiz olabilir) analiz etmeye gerek kalmadan ve silüet analizine veya cinsiyete dair diğer vücut ipuçlarına (başka bir cinsiyetin üyeleri tarafından 'taklit edilebilir') güvenmeden, bir kişinin yürüyüş biçiminden cinsiyetini belirleyebilen bir makine öğrenme sistemi geliştirdiler.

Bunun yerine, yeni sistem, erkek ve kadınların yürüyüşünü ayıran temel özellikleri belirlemek için bu geçici (ve değişken) sinyallere dayalı mevcut etiketleme sistemlerini kullanıyor ve bu da cinsiyeti yalnızca yürüyen bir kişinin 'iskelet' hareketlerinden etkili bir şekilde belirleyen bir sistemle sonuçlanıyor.

Etkili bir şekilde, bu yeni yaklaşım, erkeklerin ve kadınların başka sinyallere başvurmadan yürüdükleri farklı yolları nicelleştiriyor; ancak başlangıçta yürüyüş stillerini etiketlemek için diğer özellikleri (yüz bilgisi gibi) kullandığından, araştırma, yürürken cinsiyetleri hangi belirli özelliklerin ayırt ettiği sorusunu açık bırakıyor.

Yeni yöntem, cinsiyet kimliğini kısıtlamalar altında çalışan (sınırlı kullanılabilir açı ve veri kümesi iyileştirme ihtiyacı gibi) yüz analizi modellerinden türetiyor. Sistem daha sonra iskelet hareketi özelliklerini erkek veya dişi olarak atar ve yüz, giyim ve diğer güvenilir olmayan veri kaynaklarını göz ardı ederek her biri için karakteristik yürüme imzalarını damıtır. Kaynak: https://arxiv.org/pdf/2111.00538.pdf

Yeni kâğıt Kimden başlıklı Yüz Yüze Yürüyüş: Yürüme Modellerinden Cinsiyet Bilgisinin Zayıf Denetimli Olarak Öğrenilmesive Bükreş'teki Politehnica Üniversitesi'ndeki araştırmacılardan geliyor.

Sistem, yüz analizi modelleriyle aynı seviyede performans gösterir ve sıklıkla bu standartları aşar. F1 skoru Yüze dayalı veya benzer cinsiyet tanıma sistemlerinin etkinliğini genellikle engelleyecek çeşitli bakış açıları ve koşullar dahil olmak üzere yeni senaryolara yüksek düzeyde genelleme sunar. Bunlar, yüzün gizlendiği bakış açılarını, önden olmayan açıları ve düşük çözünürlüklü görüntülerin çok tipik senaryosunu veya yalnızca hareket tarzının potansiyel olarak güvenilir bir cinsiyet göstergesi olarak kaldığı, görüntü içinde uzaktaki insanların gözetimini içerir.

Cinsiyet açığı

Araştırmacıların sonucuna göre, böyle bir sistem, şu anda yalnızca COVID altında maske benimsenmesiyle değil, aynı zamanda modanın eksantriklikleri ve giyim ve kıyafet yapan rastlantısallıklar tarafından da engellenen demografik toplama çerçeveleri için büyük bir potansiyele sahiptir. siluet analizi gözetleme görüntülerinden cinsiyeti belirlemek için güvenilir olmayan bir yöntem.

Gözetim açısından, hedef öznenin cinsiyetine uymayan tüm potansiyel hedefleri göz ardı edebilmek, ön işlemeyi ve insan ve makine dikkatini yarıya kadar azaltabilir çünkü mevcut tanımlama sistemleri genellikle doğru atama yapmakta zorlanır. gözetim altındaki bir bireye cinsiyet.

Yeni makaleden: Cinsiyet tanıma sistemlerinin başarısız olduğu çeşitli örnekler. Yukarıdaki satırda, araştırmacıların yeni yürüyüş analizi sisteminin görüntüdeki gerçek etiketi (E veya K) doğru bir şekilde eşleştirdiğini, ancak yüz analizinin aynı örnekte başarısız olduğunu görüyoruz. Aşağıdaki satırda ise, araştırmacılar tarafından kullanılan etiketleme araçlarının "gürültülü" (yani yanlış) cinsiyet etiketleri ürettiği örnekleri görüyoruz. Bunu önlemek için araştırmacılar şunları kullandı: KALEM ('Gürültülü Etiketlerle Öğrenme için Olasılıksal Uçtan Uca Gürültü Düzeltme') gibi yöntemler de bulunmaktadır.

Doğal olarak, yürüyüş analizi yoluyla güvenilir cinsiyet tanıma olasılığı artacaktır. yürüyüş sahtekarlığı yaklaşımlarına mevcut ilgi.

Vekaleten Cinsiyet Belirleme

Elle küratörlüğünü yapılan iskelet hareketi verilerinin titiz analizi yoluyla yeni proje tarafından elde edilen aynı işlevselliğe ulaşmak teorik olarak mümkündür. Bu yapılsaydı, yeni projenin hangi hareket özelliklerinin cinsiyeti en iyi tanımladığına dair daha derin içgörülere sahip olması muhtemeldi. Bununla birlikte, böyle bir yaklaşım, büyük bir kaynak taahhüdü anlamına gelir ve araştırmacılar bunun yerine gerekli etiketleri oluşturmak için mevcut (daha az esnek) sistemleri kullandılar.

Bu 'sahte etiketler' cinsiyete dayalı yürüyüş özellikleri hakkında kesin bir fikir sunmaz, ancak kaynak kısıtlamaları dahilinde elde edilebilecek oldukça genel bir şekilde yürüyüş modellerini cinsiyete göre filtrelemeyi mümkün kılar.

Başlangıçta araştırmacılar 2019'u kullandılar. Önden Görünüm Yürüyüşü (FVG) veri seti, yanal görünümlerden daha az ipucu sunan önden bir açıdan yürüyüş tanıma zorluğunu ele alır. Veri seti, değişen yürüme hızı, karmaşık arka plan, değişen çözünürlük ve giyim farklılıkları gibi birçok engel içeren yürüme örneklerini içerir.

2019 FVG makalesine göre GaitNet, halka açık kameralarda sıkça izlenen bir senaryo olan önden görünüm görüntülerine dayanarak 'yürüme videosu'ndan temel yürüyüş özelliklerini otomatik olarak öğreniyor. Kaynak: https://arxiv.org/pdf/1904.04925.pdf

FVG, cinsiyet tanımlamasına yönelik olmadığından, yazarlar, çerçeve için temel gerçeği geliştirmek amacıyla veri kümesindeki 226 deneğe cinsiyet bilgilerini manuel olarak açıkladılar.

Yüz algılama, MTCNN aracılığıyla kolaylaştırıldı ve IMDB-WIKI tarafından belirlenen demografik özellikler veri kümesi. Yürüyüş analizi potansiyel olarak uzun mesafelerde yüze dayalı çıkarıma göre çok daha etkili olduğundan, nihai etiketler, çerçevenin boyutlarına göre yüzü sınırlayan kutunun alanından türetilen ağırlıklı ortalama cinsiyet güveniyle elde edildi. İskeletler çıkarıldı Alfa PozBu, konu nesnesinin yüksekliği (ad hoc kamu kamera senaryolarında kesin olarak değerlendirilemez) gibi olası 'ifşaları' ortadan kaldırır.

Test yapmak

Sistem karşı test edildi CASIA-B yürüyüş veritabanı, %80 eğitim ve %20 doğrulama için bölünmüş verilerle, testin denkliğini sağlamak için veri kümesinde aşırı temsil edilen erkekleri düşük örnekleme.

Araştırmacılar kendi önceki çalışmalarını kullandılar. WildGait ağı (aşağıdaki resme bakın), yürüme dizileri arasındaki benzerliği hesaplamak için. Halihazırda oluşturulmuş olan toplumsal cinsiyet kimlikleri, artık çerçeve sürecinin bu aşamasına etkin bir şekilde götürülmektedir.

WildGait, gerçek dünyadaki gözetim akışlarından türetilen yüksek hacimli, otomatik olarak açıklamalı iskelet dizileri üzerinde eğitilmiş bir Uzay-Zamansal Grafik Evrişimli Ağdır. Kaynak: https://arxiv.org/pdf/2105.05528.pdf

Sonuç olarak yazarlar, sistemin cinsiyet belirlemede doğruluk açısından son teknoloji yüz tabanlı sistemlerle eşleştiğini belirtmektedir. Kaynak yürüme videosunda meydana gelebilecek pek çok olası açı olduğundan, sonuçlar bu olası bakış açılarının bir aralığına dağıtılır: