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

• CameraHMR: Aligning People with Perspective [54.05758012879385]
  モノクロ画像からの正確な3次元ポーズと形状推定の課題に対処する。 既存のトレーニングデータセットには、擬似基底真理(pGT)を持つ実画像が含まれている。 pGTの精度を向上させる2つの貢献をしている。
  論文  参考訳（メタデータ） (2024-11-12T19:12:12Z)
• MBDS: A Multi-Body Dynamics Simulation Dataset for Graph Networks Simulators [4.5353840616537555]
  物理現象をモデル化する主要な手法として,グラフネットワークシミュレータ (GNS) が登場している。 我々は,1D,2D,3Dシーンを含む高品質な物理シミュレーションデータセットを構築した。 私たちのデータセットの重要な特徴は、物理世界のより現実的なシミュレーションを促進する、正確な多体ダイナミクスを取り入れることである。
  論文  参考訳（メタデータ） (2024-10-04T03:03:06Z)
• Learning from the Giants: A Practical Approach to Underwater Depth and Surface Normals Estimation [3.0516727053033392]
  本稿では,単眼深度と表面正規化推定(MDSNE)のための新しいディープラーニングモデルを提案する。 これは特に、CNNとTransformerを統合するハイブリッドアーキテクチャを使用して、水中環境向けに調整されている。 我々のモデルはパラメータを90%削減し、トレーニングコストを80%削減し、リソース制約されたデバイス上でリアルタイムな3D認識を可能にする。
  論文  参考訳（メタデータ） (2024-10-02T22:41:12Z)
• Bridging the Sim-to-Real Gap with Bayesian Inference [53.61496586090384]
  データからロボットダイナミクスを学習するためのSIM-FSVGDを提案する。 我々は、ニューラルネットワークモデルのトレーニングを規則化するために、低忠実度物理プリエンスを使用します。 高性能RCレースカーシステムにおけるSIM-to-realギャップのブリッジ化におけるSIM-FSVGDの有効性を実証する。
  論文  参考訳（メタデータ） (2024-03-25T11:29:32Z)
• 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)
• 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。