Empfohlen
Empfohlen
Weitere ähnliche Inhalte
Empfohlen
Empfohlen (20)
発表スライド.pdf
- 3. 提案手法 - Ⅰ環境と全体像 歩行映像撮影 動画データ前処理 人物検出/姿勢推定 関節体モデル 補正処理 人物識別 識別結果出力 ２ 処理の流れ ◼ ハードウェア環境 CPU：Intel Core i9-9900K GPU：NVIDIA GeForce RTX2080Ti ◼ ソフトウェア環境 Windows 10 Home Python 3.8.12 (Anaconda3) CUDA v11.4 ◼ 使用ライブラリ OpenCV 4.5.4 GluonCV 0.11.0 MXNet 1.7.0 TensorFlow 2.7.0
- 4. 提案手法 - Ⅱ歩行データ ３ ◼ 歩行映像撮影 歩行映像の撮影は汎用カメラを用いて１視点固定で行った。 本製作では、２５人分の歩行映像を撮影し、 最終的に１６人分の歩行映像を使用した。 うち、９人分は不正解データとして学習させた。 残りの７人分を正解データとして学習および推論させた。 ◼ 動画データ前処理 動画をフレーム毎に画像として保存し、RGB形式のままモデルへと 入力させる。
- 5. 提案手法 - Ⅲ人物検出/姿勢推定 ４ ◼ 人物検出 人物検出にはGluonCVの学習済みYOLOv3を利用する。 ◼ 姿勢推定 姿勢推定にはResNetベースの学習済みモデルを利用する。 この姿勢推定モデルから得た関節体モデルを識別フェーズで用いる。 なお本製作では、この２つのモデルに対して再学習などの調整を加え ることはしない。 推定結果の例 ▶ 関節体モデルの例 ▶
- 6. 提案手法 – Ⅳ関節体モデル補正処理 ５ ◼ 推定精度の不安定性 姿勢推定モデルにより高速に関節体モデルを得ることができた しかし、推定精度の不安定さが目立つ 通常、姿勢推定モデルの変更、調整を行って解消すべき しかし、本製作ではモデルを変更することなく、正常データが得られ ないかを考えた。 異常データの例
- 7. 提案手法 – Ⅳ関節体モデル補正処理 ６ ◼ データ補正方法 対象 t t+1 t+2 t+3 t+4 t-1 t-2 t-3 t-4 各関節部の座標の移動平均と標準偏差を計算 移動平均 - 標準偏差 < (x,y) < 移動平均 + 標準偏差 の範囲を超える座標は異常値 → 移動平均値に置換
- 8. 提案手法 – Ⅴ人物識別 ７ ◼ 人物識別モデル 右図のような非常にシンプルなCNNを実装。 入力データは高さ480px, 幅300pxに切り取り/パディングする。 識別時、不正解データと識別対象データの一方を学習。 学習後、学習に用いていない識別対象データを推論にかける。 3x3 conv, 16/1 2x2 maxpooling, pad 3x3 conv, 16/1 2x2 maxpooling, pad 3x3 conv, 32/1 2x2 maxpooling, pad 1024 dense image 1 dense output relu relu relu relu sigmoid False A CNN ? trained CNN A? Not A? まず不正解データと 識別対象の一方を 学習させる 不正解データと識別対象の一方 を学習させたCNNにもう一方の データを流して推論
- 9. 動作デモ
- 10. 結果 ８ ラベルA~G： 行方向は学習データ 列方向は推論データ 識別モデル返却値： 同一人物である確率 結果算出： 40 Epochs x 試行回数3回の平均値 確率の数値こそ低いがおおむね識 別できているようにみえる。 しかし、不安定性も拭えない。 t＼p A B C D E F G A 20.53 11.60 8.25 3.04 0.79 2.44 3.40 B 7.72 22.45 1.81 6.65 9.92 21.36 1.93 C 10.45 6.21 25.86 20.05 23.75 8.46 12.79 D 12.70 18.86 28.54 25.56 33.70 22.15 5.66 E 2.72 20.54 13.91 15.64 45.69 7.49 1.98 F 17.14 21.79 17.52 21.93 34.27 60.96 11.71 G 8.20 7.81 6.23 3.21 1.46 15.97 6.02 単位 % 赤字は正解ケースよりも高い確率である(FP)ことを表す 下線はそのグループで2番目に高い確率であることを表す
- 11. 結論と展望 ９ • 深層学習を用いたモデルベース手法による歩容識別の開発・実装 には成功した。 • より高い精度の歩容識別モデルを構築することができれば、さら に高い識別精度が得られると考察する。 • データの簡易的な補正処理を取り入れてみたが、他の補正手法と 組み合わせてみるなど調整の余地がある。 • 識別モデルについても、より高次元の特徴量を抽出できるモデル の構築やハイパーパラメータの調整を検討することで望む結果が 得られるのではないかと考察する。
- 12. おわり GitHub： himazin331/Pose-GaitRecognition 参考文献： 歩行動作に基づく人物識別に関する研究 https://ipsj.ixsq.nii.ac.jp/ej/index.php?active_action=repository_view_main_item_detail&page_id=13 &block_id=8&item_id=186786&item_no=1 歩容認証とその科学捜査への応用 - J-Stage https://www.jstage.jst.go.jp/article/essfr/14/4/14_318/_pdf/-char/ja 歩容認証の高精度化のための 人物領域の抽出精度の評価 https://jglobal.jst.go.jp/en/detail?JGLOBAL_ID=201702228596984881 Amazon SageMakerと画像認識のための深層学習ツールキットGluonCVによる人の姿勢推定 https://dev.classmethod.jp/articles/amazon-sagemaker-gluoncv-pose-estimation/