基于从多视图行走能量图像和姿势的渐进和合体学习的性别认知.

科学领域:

• 计算机视觉 计算机视觉
• 机器学习 机器学习
• 生物识别信息 生物识别信息

背景情况:

• 基于图像的性别分类对于监控和营销等应用至关重要.
• 使用步行能量图像 (GEI) 的当前方法面临的局限性是由于相似的类内外观和在某些角度缺乏清晰的姿势表示.

研究的目的:

• 提出一种新的性别分类框架,将GEI与特征性行走姿势相结合.
• 通过利用多视角和多用途信息来提高性别分类的准确性.

主要方法:

• 开发了一个级联网络架构,包括一个多流特征提取器和一个基于集体学习的分类器.
• 该网络经过训练,可以从多个输入图像中提取步态特征,包括GEI和特征性姿势.
• 该框架处理从多个视图中获取的图像,以逐步学习步态特征.

主要成果:

• 拟议的框架与仅依赖于GEI或提出信息的最先进方法相比,表现优越.
• 多种输入 (GEI和POSES) 的整合显著提高了对基准数据集的分类准确性.
• 级联网络有效地从各种视觉输入中学习了有区别的步态特征.

结论:

• 将GEI与特征性行走姿势相结合,为基于图像的性别分类提供了更强大的方法.
• 拟议的多输入级联网络框架代表了基于步态的生物识别技术的重大进展.
• 未来的工作可以通过结合额外的步态动态和先进的深度学习架构来探索进一步的改进.