論文の概要: CrossCount: A Deep Learning System for Device-free Human Counting using WiFi

• arxiv url: http://arxiv.org/abs/2007.03175v1
• Date: Tue, 7 Jul 2020 02:38:09 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-12 20:45:05.973286
• Title: CrossCount: A Deep Learning System for Device-free Human Counting using WiFi
• Title（参考訳）: wifiを用いたデバイスフリー人間計数のためのディープラーニングシステムcrosscount
• Authors: Osama T. Ibrahim, Walid Gomaa, and Moustafa Youssef
• Abstract要約: CrossCountは、単一のWiFiリンクを使用する正確なディープラーニングベースの人間数推定器である。 人間のカウント精度を最大2人以内で達成できる。 これはCrossCountが、市販のデバイスからの非労働集約的なデータ収集を備えた、ユビキタスなクラウド推定ツールである、という約束を強調している。
• 参考スコア（独自算出の注目度）: 5.654198773446211
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Counting humans is an essential part of many people-centric applications. In this paper, we propose CrossCount: an accurate deep-learning-based human count estimator that uses a single WiFi link to estimate the human count in an area of interest. The main idea is to depend on the temporal link-blockage pattern as a discriminant feature that is more robust to wireless channel noise than the signal strength, hence delivering a ubiquitous and accurate human counting system. As part of its design, CrossCount addresses a number of deep learning challenges such as class imbalance and training data augmentation for enhancing the model generalizability. Implementation and evaluation of CrossCount in multiple testbeds show that it can achieve a human counting accuracy to within a maximum of 2 persons 100% of the time. This highlights the promise of CrossCount as a ubiquitous crowd estimator with non-labour-intensive data collection from off-the-shelf devices.
• Abstract（参考訳）: 人間を数えることは、多くの人中心のアプリケーションに欠かせない部分である。 本稿では,1つのwi-fiリンクを用いて興味のある領域における人間の数を推定する,正確なディープラーニングに基づく人間数推定器crosscountを提案する。 主な考え方は、信号強度よりも無線チャネルノイズに強い識別特性として時間的リンク遮断パターンに依存し、ユビキタスで正確な人間のカウントシステムを提供することである。 その設計の一環として、CrossCountはモデルの一般化性を高めるためのクラス不均衡やトレーニングデータ拡張など、多くのディープラーニングの課題に対処している。 複数のテストベッドにおけるクロスカウントの実装と評価により、人間の計数精度を最大2人以内で100%達成できることが示されている。 これはCrossCountが、市販のデバイスからの非労働集約的なデータ収集を備えた、ユビキタスなクラウド推定ツールであることを示すものだ。

関連論文リスト

• SureMap: Simultaneous Mean Estimation for Single-Task and Multi-Task Disaggregated Evaluation [75.56845750400116]
  分散評価(disaggregated evaluation) -- 異なるサブポピュレーション上での機械学習モデルのパフォーマンスの推定 - は、AIシステムのパフォーマンスとグループフェアネスを評価する上で、中核的なタスクである。 ブラックボックスモデルの評価において,マルチタスクとシングルタスクの双方に対して高い推定精度を持つSureMapを開発した。 提案手法は, ウェル・チョーゼンを用いた最大後部推定と, スタインの非バイアスリスク推定(SURE)によるクロスバリデーションフリーチューニングを併用する。
  論文  参考訳（メタデータ） (2024-11-14T17:53:35Z)
• Count What You Want: Exemplar Identification and Few-shot Counting of Human Actions in the Wild [19.796945454585444]
  本稿では,ウェアラブルデバイスからのセンサデータを用いて,人間の関心行動の数え方について検討する。 本稿では,事前定義された音を鳴らすことで,ユーザが目指す行動の模範を提示することのできる,新しい模範的枠組みを提案する。 このデータセットの実験では、トレーニングデータに含まれない新しいクラスや対象からのアクションのインスタンスをカウントする上で、提案手法の有効性が示されている。
  論文  参考訳（メタデータ） (2023-12-28T19:09:57Z)
• Human-in-the-Loop Visual Re-ID for Population Size Estimation [27.83117174211899]
  そこで本研究では,市販のRe-IDシステムから得られた2方向の類似性により,人口規模を推定する手法を提案する。 本手法は, 営巣重要度サンプリングに基づいて, 対の類似性によって駆動されるヒトの獣医に対する画像のペアを選択し, 集団サイズ推定値の偏りを導出する。
  論文  参考訳（メタデータ） (2023-12-08T15:39:06Z)
• HumanBench: Towards General Human-centric Perception with Projector Assisted Pretraining [75.1086193340286]
  汎用的な人中心下流作業のための一般的な事前訓練モデルを持つことが望ましい。 本研究では,既存のデータセットをベースとしたtextbfHumanBench を提案する。 我々のPATHは、17の下流データセットと他の2つのデータセットの中間結果に対して、最先端の新たな結果を達成する。
  論文  参考訳（メタデータ） (2023-03-10T02:57:07Z)
• A Prospective Approach for Human-to-Human Interaction Recognition from Wi-Fi Channel Data using Attention Bidirectional Gated Recurrent Neural Network with GUI Application Implementation [0.0]
  本研究は、WiFiルータとIntel 5300 NIC間の多重入力多重出力無線リンクと、時系列Wi-Fiチャネル状態情報を用いて、人対人同時通信認識を行う。 提案した自己注意誘導双方向Gated Recurrent Neural Networkは、13の相互相互作用を1つの主題ペアに対して最大94%のベンチマーク精度で分類することができる。
  論文  参考訳（メタデータ） (2022-02-16T15:40:52Z)
• Wisdom of (Binned) Crowds: A Bayesian Stratification Paradigm for Crowd Counting [16.09823718637455]
  本研究は,ストラタレベルの標準データセットとアグリゲーション単位での群集カウント手法の性能を解析する。 我々の貢献は、群衆カウントの手法における、微妙な、統計的にバランスのとれた、きめ細かな性能評価を表現している。
  論文  参考訳（メタデータ） (2021-08-19T16:50:31Z)
• Completely Self-Supervised Crowd Counting via Distribution Matching [92.09218454377395]
  我々は,密集した群集数に対するトレーニングモデルに対する完全な自己超越的アプローチを提案する。 トレーニングに必要な入力は、大量の未ラベルの群衆画像以外は、群衆数に近似した上限である。 提案手法は,自然群集が逆伝播の誤り信号を生成するために利用可能な電力法分布に従うという考え方に富む。
  論文  参考訳（メタデータ） (2020-09-14T13:20:12Z)
• A robot that counts like a child: a developmental model of counting and pointing [69.26619423111092]
  実物を数えることができる新しい神経ロボティクスモデルを導入する。 このモデルにより,エンボディメントと数値認識の相互作用を調べることができる。 トレーニングされたモデルは、アイテムのセットをカウントすることができ、同時にそれらを指し示します。
  論文  参考訳（メタデータ） (2020-08-05T21:06:27Z)
• A Self-Training Approach for Point-Supervised Object Detection and Counting in Crowds [54.73161039445703]
  本稿では,ポイントレベルのアノテーションのみを用いて訓練された典型的なオブジェクト検出を可能にする,新たな自己学習手法を提案する。 トレーニング中、利用可能なポイントアノテーションを使用して、オブジェクトの中心点の推定を監督する。 実験の結果,本手法は検出タスクとカウントタスクの両方において,最先端のポイント管理手法よりも有意に優れていた。
  論文  参考訳（メタデータ） (2020-07-25T02:14:42Z)
• CNN-based Density Estimation and Crowd Counting: A Survey [65.06491415951193]
  本稿では,主にCNNに基づく密度マップ推定法において,群集数モデルについて包括的に検討する。 評価指標から, 観客数データセットで上位3人のパフォーマーを選択した。 我々は、今後のクラウドカウントの展開について、合理的な推測と予測を行うことを期待する。
  論文  参考訳（メタデータ） (2020-03-28T13:17:30Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。