論文の概要: CROMOSim: A Deep Learning-based Cross-modality Inertial Measurement
Simulator
- arxiv url: http://arxiv.org/abs/2202.10562v1
- Date: Mon, 21 Feb 2022 22:30:43 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-24 06:58:32.926841
- Title: CROMOSim: A Deep Learning-based Cross-modality Inertial Measurement
Simulator
- Title(参考訳): cromosim - ディープラーニングベースのクロスモダリティ慣性測定シミュレータ
- Authors: Yujiao Hao, Boyu Wang, Rong Zheng
- Abstract要約: 慣性測定装置 (IMU) のデータは, 人体移動の監視と評価に利用されてきた。
データ不足を緩和するため,クロスモーダルセンサシミュレータであるCROMOSimを設計した。
モーションキャプチャシステムや単眼RGBカメラから高忠実度仮想IMUセンサーデータをシミュレートする。
- 参考スコア(独自算出の注目度): 7.50015216403068
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: With the prevalence of wearable devices, inertial measurement unit (IMU) data
has been utilized in monitoring and assessment of human mobility such as human
activity recognition (HAR). Training deep neural network (DNN) models for these
tasks require a large amount of labeled data, which are hard to acquire in
uncontrolled environments. To mitigate the data scarcity problem, we design
CROMOSim, a cross-modality sensor simulator that simulates high fidelity
virtual IMU sensor data from motion capture systems or monocular RGB cameras.
It utilizes a skinned multi-person linear model (SMPL) for 3D body pose and
shape representations, to enable simulation from arbitrary on-body positions. A
DNN model is trained to learn the functional mapping from imperfect trajectory
estimations in a 3D SMPL body tri-mesh due to measurement noise, calibration
errors, occlusion and other modeling artifacts, to IMU data. We evaluate the
fidelity of CROMOSim simulated data and its utility in data augmentation on
various HAR datasets. Extensive experiment results show that the proposed model
achieves a 6.7% improvement over baseline methods in a HAR task.
- Abstract(参考訳): ウェアラブルデバイスの普及に伴い、慣性計測ユニット(IMU)データは、人間の活動認識(HAR)などの人間の移動の監視と評価に利用されてきた。
これらのタスクのためにディープニューラルネットワーク(DNN)モデルをトレーニングするには、大量のラベル付きデータが必要である。
データ不足問題を解決するため、クロモシムは、モーションキャプチャシステムや単眼rgbカメラからの高忠実度仮想imuセンサデータをシミュレートするクロスモダリティセンサシミュレータである。
3次元ボディーポーズと形状表現にスキン付き多人線形モデル(SMPL)を用いて、任意のオンボディ位置からのシミュレーションを可能にする。
DNNモデルは、計測ノイズ、校正誤差、閉塞、その他のモデリングアーティファクトによる3次元SMPLボディートリメッシュにおける不完全な軌道推定からIMUデータへの関数マッピングを学習するために訓練される。
各種HARデータセットを用いたデータ拡張において, CROMOSim シミュレーションデータの忠実度とその有用性を評価する。
広範な実験結果から,harタスクにおけるベースラインメソッドに対する6.7%の改善が得られた。
関連論文リスト
- Waymax: An Accelerated, Data-Driven Simulator for Large-Scale Autonomous
Driving Research [76.93956925360638]
Waymaxは、マルチエージェントシーンにおける自動運転のための新しいデータ駆動シミュレータである。
TPU/GPUなどのハードウェアアクセラレータで完全に動作し、トレーニング用のグラフ内シミュレーションをサポートする。
我々は、一般的な模倣と強化学習アルゴリズムのスイートをベンチマークし、異なる設計決定に関するアブレーション研究を行った。
論文 参考訳(メタデータ) (2023-10-12T20:49:15Z) - Turbulence in Focus: Benchmarking Scaling Behavior of 3D Volumetric
Super-Resolution with BLASTNet 2.0 Data [4.293221567339693]
圧縮性乱流の解析は、推進、エネルギー発生、環境に関する応用に不可欠である。
我々は34個の高忠実度直接数値シミュレーションから744個のフルドメインのサンプルを含む2.2TBのデータセットネットワークを提案する。
3次元超解像のための5つのディープラーニングアプローチの合計49種類のバリエーションをベンチマークする。
論文 参考訳(メタデータ) (2023-09-23T18:57:02Z) - On Transferability of Driver Observation Models from Simulated to Real
Environments in Autonomous Cars [23.514129229090987]
本稿では,シミュレーションから実環境シナリオへの映像に基づく運転観察モデル移行の実現可能性について検討する。
我々は、実際の自律運転条件を特徴とするデータセットを記録し、高い注意をそらす二次活動に従事する7人の参加者を巻き込んだ。
我々のデータセットは、トレーニングソースとして使用されている既存の大規模シミュレータデータセットに従って設計されている。
論文 参考訳(メタデータ) (2023-07-31T10:18:49Z) - Learning Controllable Adaptive Simulation for Multi-resolution Physics [86.8993558124143]
完全深層学習に基づくサロゲートモデルとして,LAMP(Learning Controllable Adaptive Simulation for Multi- resolution Physics)を導入した。
LAMPは、前方進化を学習するためのグラフニューラルネットワーク(GNN)と、空間的洗練と粗大化のポリシーを学ぶためのGNNベースのアクター批判で構成されている。
我々は,LAMPが最先端のディープラーニングサロゲートモデルより優れており,長期予測誤差を改善するために,適応的なトレードオフ計算が可能であることを実証した。
論文 参考訳(メタデータ) (2023-05-01T23:20:27Z) - Towards Multimodal Multitask Scene Understanding Models for Indoor
Mobile Agents [49.904531485843464]
本稿では,現実世界の屋内環境におけるラベル付きデータの不十分,あるいは不可能,といった主な課題について論じる。
MMISM (Multi-modality input Multi-task output Indoor Scene Understanding Model) について述べる。
MMISMは、RGB画像だけでなく、スパースライダーポイントを入力と3Dオブジェクト検出、深さ完了、人間のポーズ推定、セマンティックセグメンテーションを出力タスクとみなしている。
MMISMはシングルタスクモデルよりも同等かそれ以上の性能を示す。
論文 参考訳(メタデータ) (2022-09-27T04:49:19Z) - Learning to Simulate Realistic LiDARs [66.7519667383175]
リアルLiDARセンサのデータ駆動シミュレーションのためのパイプラインを提案する。
本モデルでは, 透明表面上の落下点などの現実的な効果を符号化できることが示される。
我々は2つの異なるLiDARセンサのモデルを学習し、それに従ってシミュレーションされたLiDARデータを改善する。
論文 参考訳(メタデータ) (2022-09-22T13:12:54Z) - Real-to-Sim: Predicting Residual Errors of Robotic Systems with Sparse
Data using a Learning-based Unscented Kalman Filter [65.93205328894608]
我々は,動的・シミュレータモデルと実ロボット間の残差を学習する。
学習した残差誤差により、動的モデル、シミュレーション、および実際のハードウェア間の現実的ギャップをさらに埋めることができることを示す。
論文 参考訳(メタデータ) (2022-09-07T15:15:12Z) - Mixed Effects Neural ODE: A Variational Approximation for Analyzing the
Dynamics of Panel Data [50.23363975709122]
パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。
我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。
次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
論文 参考訳(メタデータ) (2022-02-18T22:41:51Z) - Learning Similarity Metrics for Volumetric Simulations with Multiscale
CNNs [25.253880881581956]
本研究では,エントロピーに基づく類似性モデルを提案する。
我々は数値PDEソルバと既存のシミュレーションデータリポジトリからフィールドのコレクションを作成する。
ボリューム類似度メトリック(VolSiM)を演算するマルチスケールCNNアーキテクチャを提案する。
論文 参考訳(メタデータ) (2022-02-08T19:19:08Z) - Forward and Inverse models in HCI:Physical simulation and deep learning
for inferring 3D finger pose [2.8952292379640636]
機械学習を用いて、位置、ポーズ、センサーの読み取りを推測するために、データ駆動モデルを開発する。
条件付き変分オートエンコーダとドメインの専門知識/モデルを実験的に収集したデータを組み合わせる。
論文 参考訳(メタデータ) (2021-09-07T23:11:21Z)
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。