Fugu-MT 論文翻訳(概要): A Multi-Characteristic Learning Method with Micro-Doppler Signatures for Pedestrian Identification

論文の概要: A Multi-Characteristic Learning Method with Micro-Doppler Signatures for Pedestrian Identification

arxiv url: http://arxiv.org/abs/2203.12236v1
Date: Wed, 23 Mar 2022 07:12:39 GMT
ステータス: 処理完了
システム内更新日: 2022-03-24 14:07:46.898959
Title: A Multi-Characteristic Learning Method with Micro-Doppler Signatures for Pedestrian Identification
Title（参考訳）: 歩行者識別のためのマイクロドップラーシグネチャを用いた多特性学習法
Authors: Yu Xiang, Yu Huang, Haodong Xu, Guangbo Zhang, and Wenyong Wang
Abstract要約: 本稿では,異なる歩行者用マイクロドップラーシグネチャを共同学習するために,クラスタを用いたマルチ特性学習モデルを提案する。我々のモデルは精度が高く、他の研究よりも歩行者の識別に安定している。
参考スコア（独自算出の注目度）: 14.878153838197353
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The identification of pedestrians using radar micro-Doppler signatures has become a hot topic in recent years. In this paper, we propose a multi-characteristic learning (MCL) model with clusters to jointly learn discrepant pedestrian micro-Doppler signatures and fuse the knowledge learned from each cluster into final decisions. Time-Doppler spectrogram (TDS) and signal statistical features extracted from FMCW radar, as two categories of micro-Doppler signatures, are used in MCL to learn the micro-motion information inside pedestrians' free walking patterns. The experimental results show that our model achieves a higher accuracy rate and is more stable for pedestrian identification than other studies, which make our model more practical.
Abstract（参考訳）: 近年,レーダーマイクロドップラーシグネチャを用いた歩行者の識別が注目されている。本稿では,異なる歩行者用マイクロドップラーシグネチャを共同で学習し,各クラスタから学んだ知識を最終決定に融合する,クラスタを用いたマルチ特性学習(MCL)モデルを提案する。 FMCWレーダから抽出したTDS(Time-Doppler Spectrogram)と信号統計学的特徴(micro-Dopplerシグネチャの2つのカテゴリ)は、歩行者の自由歩行パターン内のマイクロモーション情報を学習するためにMCLで使用される。実験結果から, 本モデルは他の研究よりも精度が高く, 歩行者識別の安定性が向上し, 実用性が向上した。

関連論文リスト

Through-the-Wall Radar Human Activity Micro-Doppler Signature Representation Method Based on Joint Boulic-Sinusoidal Pendulum Model [22.320147097092416]
本稿では,Bulic-Sinusoidal pendulum 動作モデルに基づく人間活動型マイクロドップラーシグネチャ表現法を提案する。またドップラー情報とマイクロドップラー情報を記述するのに必要なキーポイントの最小数を十分に計算する。
論文参考訳（メタデータ） (2024-08-22T02:33:29Z)
Co-Learning Meets Stitch-Up for Noisy Multi-label Visual Recognition [70.00984078351927]
本稿では,多ラベル分類と長期学習の特徴に基づく雑音の低減に焦点をあてる。よりクリーンなサンプルを合成し,マルチラベルノイズを直接低減するStitch-Up拡張を提案する。ヘテロジニアス・コラーニング・フレームワークは、長い尾の分布とバランスの取れた分布の不整合を活用するためにさらに設計されている。
論文参考訳（メタデータ） (2023-07-03T09:20:28Z)
Multi-task Learning for Radar Signal Characterisation [48.265859815346985]
本稿では,マルチタスク学習(MTL)問題として,レーダ信号の分類と特徴化に取り組むためのアプローチを提案する。本稿では,複数のレグレッションタスクと分類タスクを同時最適化するIQST(IQ Signal Transformer)を提案する。合成レーダデータセット上で提案したMTLモデルの性能を示すとともに,レーダ信号の特徴付けのための一級ベンチマークも提供する。
論文参考訳（メタデータ） (2023-06-19T12:01:28Z)
Pedestrian Recognition with Radar Data-Enhanced Deep Learning Approach Based on Micro-Doppler Signatures [16.91496812594182]
本稿では,データ強化(DE)モジュールとマルチ特性学習(MCL)モジュールを備えたデータ強化多言語学習(DEMCL)モデルを提案する。我々のモデルは、他の研究よりも3.33%から10.24%正確であり、25分間の歩行データセット上での短い実行時間は0.9324秒である。
論文参考訳（メタデータ） (2023-06-14T07:19:13Z)
Decision Forest Based EMG Signal Classification with Low Volume Dataset Augmented with Random Variance Gaussian Noise [51.76329821186873]
我々は6種類の手振りを限定的なサンプル数で分類できるモデルを作成し、より広い聴衆によく一般化する。信号のランダムなバウンドの使用など、より基本的な手法のセットにアピールするが、これらの手法がオンライン環境で持てる力を示したいと考えている。
論文参考訳（メタデータ） (2022-06-29T23:22:18Z)
Learning Moving-Object Tracking with FMCW LiDAR [53.05551269151209]
新たに開発したLiDARセンサである周波数変調連続波(FMCW)を用いた学習型移動物体追跡手法を提案する。ラベルが与えられた場合,同じインスタンスから機能を埋め込みスペースにまとめて,異なるインスタンスから機能を分離してトラッキング品質を向上させる,対照的な学習フレームワークを提案する。
論文参考訳（メタデータ） (2022-03-02T09:11:36Z)
A MIMO Radar-based Few-Shot Learning Approach for Human-ID [3.3073775218038883]
深層学習に基づく人間識別のためのレーダーは、関心の高まりの研究領域となっている。マイクロドップラー((upmu)-D)は、周期的な手足のマイクロモーションを捉えて歩行行動を反映できることが示されている。本稿では,Multi-Input-multiple-output (MIMO) レーダーを用いて,高度角速度のマイクロモーションスペクトログラムを定式化する。
論文参考訳（メタデータ） (2021-10-16T15:37:57Z)
Sign Language Recognition via Skeleton-Aware Multi-Model Ensemble [71.97020373520922]
手話は一般的に、聴覚障害者やミュート人がコミュニケーションするために使われる。孤立手話認識(SLR)のためのGlobal Ensemble Model(GEM)を用いた新しいマルチモーダルフレームワークを提案する。提案するSAM-SLR-v2 フレームワークは極めて有効であり,最先端の性能を高いマージンで達成している。
論文参考訳（メタデータ） (2021-10-12T16:57:18Z)
FMNet: Latent Feature-wise Mapping Network for Cleaning up Noisy Micro-Doppler Spectrogram [2.9849405664643585]
ノイズの多い環境は、マイクロドップラー分光器の解釈不能な動きパターンを引き起こす。レーダーの帰還はしばしばマルチパス乱雑干渉に悩まされる本稿では,FMNet (Feature Mapping Network) と呼ばれる潜在機能対応マッピング手法を提案する。
論文参考訳（メタデータ） (2021-07-09T19:20:41Z)
Unsupervised Noisy Tracklet Person Re-identification [100.85530419892333]
本稿では,非照合トラックレットデータから識別的人物再識別モデルを訓練できる選択的トラックレット学習(STL)手法を提案する。これにより、カメラビュー全体で人物の画像/トラックレットの真のマッチングペアを完全にラベル付けする面倒でコストのかかるプロセスが回避されます。提案手法は生トラックレットの任意のノイズデータに対して特に頑健であるため,制約のない追跡データから識別モデル学習にスケーラブルである。
論文参考訳（メタデータ） (2021-01-16T07:31:00Z)

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。