基于自适应图神经网络的步态年龄组分类
机器学习
2024-09-23 v2 计算机视觉与模式识别
摘要
深度学习技术近来被用于无模型的年龄相关步态特征提取。然而,获取无模型步态需要精确的预处理如背景减除,在非受限环境中并非易事。另一方面,基于模型的步态可在无背景减除下获得,且较少受协变量影响。针对基于模型的步态年龄组分类问题,现有工作仅依赖手工特征,特征提取繁琐且需领域专业知识。本文提出一种深度学习方法,从基于模型的步态中提取年龄相关特征以进行年龄组分类。具体而言,我们首先构建了一个称为多媒体大学步态年龄与性别数据集(MMU GAG)的非受限步态数据集。接着,通过姿态估计算法确定身体关节坐标,并经由一种新颖的部件聚合方案表示为紧凑步态图。然后,设计了一种部件自适应残差图卷积神经网络(PairGCN)用于年龄相关特征学习。实验表明,PairGCN 特征远比手工特征更具信息量,在 MMU GAG 数据集中对受试者分为儿童、成人或老年的分类准确率高达 99%。这些结果暗示了在非受限环境中部署人工智能赋能的访问控制、监控与执法解决方案的可行性。
引用
@article{arxiv.2210.00294,
title = {Gait-based Age Group Classification with Adaptive Graph Neural Network},
author = {Timilehin B. Aderinola and Tee Connie and Thian Song Ong and Andrew Beng Jin Teoh and Michael Kah Ong Goh},
journal= {arXiv preprint arXiv:2210.00294},
year = {2024}
}