Does My Gait Look Nice? Human Perception-Based Gait Relative Attribute Estimation Using Dense Trajectory Analysis

Shehata, Allam; Hayashi, Yuta; Makihara, Yasushi; Muramatsu, Daigo; Yagi, Yasushi

doi:10.1007/978-3-030-41299-9_8

Cited by 4 publications

(3 citation statements)

References 35 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Contoh ekstraksi sumbu x pada setiap subyek pada kaki kiri ◼ 93 Untuk mengetahui distribusi probabilitas antara data uji dengan data latih, penentuan skoring pada nilai deret pada setiap sumbu koordinat dilakukan dengan skema penentuan nilai. Penentuan skoring untuk data gait juga pernah dilakukan oleh Shehata et.al [15] untuk estimasi atribut pada gait. Nilai +2 diberikan untuk nilai deret yang naik (bergerak ke arah positif) dari suatu waktu (detik) tertentu terhadap waktu berikutnya, nilai +1 diberikan untuk kondisi sebaliknya.…”

Section: Gambar 1 Pola Trayektori Pada Pergelangan Kaki Kiri Dan Kananunclassified

Penentuan Learning Rate Terbaik CNN Pada Pengenalan Individu Berbasis Analisis Gait

Sukmana

Ikawati

Dien

et al. 2023

Journal of Information System

View full text Add to dashboard Cite

Trayektori tubuh manusia untuk analisis gait tidak terbatas pada kondisi permukaan medan yang rata. Hal ini berpengaruh pada analisis gait untuk penelitian pengenalan identitas individu yang terkait dengan kondisi medan yang dilalui. Pergelangan kaki menjadi bagian tubuh yang berkontribusi pada trayektori tubuh manusia terhadap medan yang dilalui melalui dua kondisi yaitu Heel-Strike (HS) dan Toe-Off (TO). HS dan TO memiliki pola trayektori yang saling berbeda untuk setiap individu sehingga membutuhkan penentuan parameter learning rate yang tepat. Penentuan learning rate terbaik merupakan salah satu langkah penting dalam menghasilkan pengenalan identitas individu terbaik. Pada kegiatan penelitian ini, data yang digunakan adalah data berformat C3D yang direkam melalui perangkat motion capture dengan skenario berjalan lurus (WS/Walking Straight) oleh enam orang sebagai partisipan. Penentuan learning rate terbaik menggunakan metode convolutional neural network (CNN) dengan pretrain pembanding adalah ResNet18 dan ResNet50. Percobaan yang dilakukan menghasilkan performa terbaik diperoleh ResNet18 baik pada pengukuran Average Position (AP) maupun pendeteksian kondisi HS dan TO.

show abstract

Section: Gambar 1 Pola Trayektori Pada Pergelangan Kaki Kiri Dan Kananunclassified

Penentuan Learning Rate Terbaik CNN Pada Pengenalan Individu Berbasis Analisis Gait

Sukmana

Ikawati

Dien

et al. 2023

Journal of Information System

View full text Add to dashboard Cite

show abstract

“…7(c)). Similar to [57], we set the query age groups to [0, 5), [5,10), [10,15), [15,20), [20,30), [30,40), . .…”

Section: Simulation Experiments For Person Search and People Counting By Agementioning

confidence: 99%

“…In fact, there have been several cases in which gait recognition has been applied to criminal investigation and forensics [2]. In addition to identity [3], [4], [5], [6], gait may contain a variety of cues, such as gender [7], [8], [9], age [10], [11], [12], [13], [14], [15], [16], ethnicity [17], disease [18], emotion [19], and some qualitative gait attributes [20].…”

Section: Introductionmentioning

confidence: 99%

Uncertainty-Aware Gait-Based Age Estimation and its Applications

Sakata

Makihara

et al. 2021

IEEE Trans. Biom. Behav. Identity Sci.

Self Cite

View full text Add to dashboard Cite

Gait-based age estimation is a key technique for many applications. It is well known that age estimation uncertainty is highly dependent on age (i.e., small for children and large for adults), and it is important to know the uncertainty for the above-mentioned applications. Therefore, we propose a method for uncertainty-aware gait-based age estimation by introducing a label distribution learning framework. Specifically, we design a network that takes an appearance-based gait feature as input and outputs discrete label distributions in the integer age domain. We then train the network to minimize a loss function, which is defined as the dissimilarity between the estimated age distribution and the ground-truth age distribution, in addition to the conventional mean absolute error for the estimated age. Additionally, we demonstrate that uncertainty-aware gait-based age estimation is beneficial for two applications: person search by age query and people counting by age group. Experiments on the world's largest gait database, OULP-Age, demonstrated that the proposed method can successfully represent age estimation uncertainty, and outperforms or is comparable with state-of-the-art methods in terms of age estimation accuracy. Moreover, we demonstrated the effectiveness of the uncertainty-aware framework in applications to person search and people counting through experiments on the database.

show abstract