StepGAN:使用生成对抗网络进行步骤识别的步态特征提取.
概括
生成对抗性网络通过从压力数据中提取独特的特征来提高步骤识别的准确性,即使是各种鞋类. 这增强了生物识别安全和法医分析.
科学领域:
- 生物识别信息 生物识别信息
- 计算机视觉 计算机视觉
- 机器学习 机器学习
背景情况:
- 脚步压力记录为安全和法医提供了一个有前途的生物识别方法.
- 由于内部/外部因素,脚步数据的高变化挑战了识别系统的准确性.
研究的目的:
- 使用深度生成模型开发用于脚步压力数据的新型特征提取方法.
- 提高基于脚步的生物识别系统的准确性和通用性.
主要方法:
- 利用具有第二分辨率和三倍损失的生成对抗网络 (GAN) 来从高分辨率的脚压图像中提取特征.
- 将各种鞋履条件的脚步数据映射到一个共享域,使用赤脚压力数据.
- 员工支持向量机器分类用于个人验证.
主要成果:
- 拟议的StepGAN特征提取器显著改善了20个个体的平衡精度,从93.3-95.7%提高到96.8-98.0%.
- 该模型甚至在培训数据中不存在的用户和条件下也显示出更好的性能.
- 突出了深度生成模型学习独特和可概括的脚步表示的能力.
结论:
- 深度生成模型,特别是StepGAN,可以有效地从压力数据中学习可靠和可概括的脚步表示.
- 开发的方法显示了提高基于脚步的生物识别系统可靠性的巨大潜力.
- 建议进行进一步的研究,以解决脚步数据变化的其他来源.
更多相关视频
06:35Using Gold-standard Gait Analysis Methods to Assess Experience Effects on Lower-limb Mechanics During Moderate High-heeled Jogging and Running
Published on: September 14, 2017
9.1K
08:19Asymmetric Walkway: A Novel Behavioral Assay for Studying Asymmetric Locomotion
Published on: January 15, 2016
8.8K
