Advanced Age Group Estimation Using Gait Analysis: A Novel Multi-Energy Image and Invariant Moments Method
Notice bibliographique
Résumé
The precise estimation of age is pivotal in identity verification across critical security checkpoints, including seaports, land borders, and airports.This study introduces an innovative methodology for age estimation based on gait analysis, enhancing security measures and providing reliable identity confirmation.Utilizing a novel preprocessing technique on gait datasets, this approach amalgamates three integral components: the Accumulated Frame Difference Energy Image (AFDEI), the Gait Energy Image (GEI), and the Invariant Moment of the image.These elements collectively facilitate the efficient extraction and analysis of critical gait data.Evaluation of the model, employing a Convolutional Neural Network (CNN), was conducted on the publicly available OU-ISRI with age dataset.The model demonstrated remarkable proficiency, achieving an average accuracy of 90.40% across 14 distinct view angles within a 5 K-Fold framework.This methodological advancement significantly outperforms existing state-of-the-art techniques in accuracy.The findings highlight the efficacy and potential of the proposed method for age grouping estimation through human gait analysis.Despite these advancements, it is crucial to acknowledge the study's limitations, particularly the dependency on silhouette images.Preprocessing is essential prior to implementing the proposed methodology.The outcomes of this study are instrumental in reinforcing age estimation as a key factor in bolstering identity verification processes at essential security junctures.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».