科研之友
微信
新浪微博
Facebook
分享链接
摘要
步态特征识别是生物特征识别的一种,在大量实际场景中有广泛的应用.目前,基于深度学习的方法在步态识别任务中表现出较好的准确率.但是,在对机器学习的研究中,人们不仅希望得到精确的预测,还希望算法对识别结果进行解释,以便人们理解实际问题中的关键.深度神经网络的黑盒属性使得解释其识别依据非常困难.在已有的步态识别文献中,关注可解释性的研究尚处于空白状态.另外,深度神经网络需要大量数据来学习模型参数,在问题规模较小时难以有效地在未见数据上泛化.本文探索了一种兼具准确性和可解释性的步态识别方法.将步态特征表示为多维时间序列,使用一种基于Shapelet的时间序列分类方法进行步态识别. Shapelet是时间序列中最具有辨别性的子序列,基于Shapelet的时间序列分类方法能够提供较好的可解释性,同时可以提供较高的准确率.我们在CASIA-B数据集上进行了实验,和几种较新的深度学习方法进行了比较.实验表明,本文提出的方法在较小规模的数据集上能够提供与深度神经网络接近的准确率.与此同时,还能详细具体地解释模型的决策依据,即哪些特征在视频哪几帧的表现对某个个体而言最具辨别性.
- 单位
