从运动模式学习人类身份
机器学习
2016-04-22 v4 计算机视觉与模式识别
神经与进化计算
摘要
我们提出了一项大规模研究，探索时序深度神经网络解释自然人类运动学的能力，并介绍了第一种使用移动惯性传感器的主动生物特征认证方法。在谷歌，我们创建了一个前所未有的人类运动数据集，由1500名志愿者在数月内每日使用智能手机被动收集。我们（1）比较了几种用于高效学习时序多模态数据表示的神经架构，（2）提出了一种优化的平移不变稠密卷积机制（DCWRNN），以及（3）将判别训练的动态特征纳入考虑时序特征的概率生成框架中。我们的结果表明人类运动学传达了关于用户身份的重要信息，并可作为多模态认证系统的有价值组件。
引用
@article{arxiv.1511.03908,
title = {Learning Human Identity from Motion Patterns},
author = {Natalia Neverova and Christian Wolf and Griffin Lacey and Lex Fridman and Deepak Chandra and Brandon Barbello and Graham Taylor},
journal= {arXiv preprint arXiv:1511.03908},
year = {2016}
}
备注
10 pages, 6 figures, 2 tables