論文の概要: DeePLT: Personalized Lighting Facilitates by Trajectory Prediction of
Recognized Residents in the Smart Home
- arxiv url: http://arxiv.org/abs/2304.08027v3
- Date: Wed, 28 Jun 2023 07:01:19 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-29 17:51:57.104793
- Title: DeePLT: Personalized Lighting Facilitates by Trajectory Prediction of
Recognized Residents in the Smart Home
- Title（参考訳）: DeePLT:スマートホームにおける認知者の軌道予測による個人化照明支援
- Authors: Danial Safaei, Ali Sobhani, Ali Akbar Kiaei
- Abstract要約: 本稿では、認識されたユーザの現在位置における照明をパーソナライズするインテリジェントシステムを提案する。
提案手法は、仕様、顔画像、カスタム照明設定など、各人物にユニークなプロファイルを提供する。
全ての人に対して常に点灯することを考える他の方法とは異なり、我々のシステムは、直接の介入なしに、色や光の強度の観点から、各人の所望の点灯を適用できる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In recent years, the intelligence of various parts of the home has become one
of the essential features of any modern home. One of these parts is the
intelligence lighting system that personalizes the light for each person. This
paper proposes an intelligent system based on machine learning that
personalizes lighting in the instant future location of a recognized user,
inferred by trajectory prediction. Our proposed system consists of the
following modules: (I) human detection to detect and localize the person in
each given video frame, (II) face recognition to identify the detected person,
(III) human tracking to track the person in the sequence of video frames and
(IV) trajectory prediction to forecast the future location of the user in the
environment using Inverse Reinforcement Learning. The proposed method provides
a unique profile for each person, including specifications, face images, and
custom lighting settings. This profile is used in the lighting adjustment
process. Unlike other methods that consider constant lighting for every person,
our system can apply each 'person's desired lighting in terms of color and
light intensity without direct user intervention. Therefore, the lighting is
adjusted with higher speed and better efficiency. In addition, the predicted
trajectory path makes the proposed system apply the desired lighting, creating
more pleasant and comfortable conditions for the home residents. In the
experimental results, the system applied the desired lighting in an average
time of 1.4 seconds from the moment of entry, as well as a performance of
22.1mAp in human detection, 95.12% accuracy in face recognition, 93.3% MDP in
human tracking, and 10.80 MinADE20, 18.55 MinFDE20, 15.8 MinADE5 and 30.50
MinFDE5 in trajectory prediction.
- Abstract（参考訳）: 近年、住宅の様々な部分の知性は、現代の住宅において不可欠な特徴の1つとなっている。
これらの部品の1つは、各人の光をパーソナライズする知性照明システムである。
本稿では、軌道予測によって推定される、認識されたユーザの即時未来位置における照明をパーソナライズする機械学習に基づくインテリジェントシステムを提案する。
提案するシステムは, (i) 与えられた映像フレームの人物を検出・局所化するための人間検出, (ii) 検出された人物を識別するための顔認識, (iii) 映像フレームのシーケンス内の人物を追跡するための人間追跡, (iv) 逆強化学習を用いた環境におけるユーザの将来の位置を予測するための軌道予測,からなる。
提案手法は、仕様、顔画像、カスタム照明設定など、各人物にユニークなプロファイルを提供する。
このプロファイルは照明調整プロセスで使用される。
一定の照明を考慮した他の方法とは異なり,本システムは,ユーザの直接的介入なしに,色や光強度の観点でそれぞれの「好みの照明」を適用できる。
これにより、より高速で効率良く照明を調整できる。
また, 予測された軌道経路により, 所望の照明を適用でき, 家庭住民の快適で快適な環境が得られる。
実験結果では、入力時点から平均1.4秒で所望の光を照射し、人間の検出では22.1mAp、顔認識では95.12%、人間の追跡では93.3%、軌道予測では10.80 MinADE20, 18.55 MinFDE20, 15.8 MinADE5, 30.50 MinFDE5を照射した。
関連論文リスト
- A Lightweight Low-Light Image Enhancement Network via Channel Prior and Gamma Correction [0.0]
LLIE(ローライト・イメージ・エンハンスメント)とは、低照度シーンの処理に適した画像エンハンスメント技術である。
我々は,暗/明のチャネル先行と深層学習によるガンマ補正を組み合わせた,革新的なLLIEネットワークであるCPGA-Netを紹介する。
論文 参考訳（メタデータ） (2024-02-28T08:18:20Z) - Towards a Perceptual Evaluation Framework for Lighting Estimation [18.79213515450804]
本研究は,既存の画像品質評価(IQA)指標を用いて,照明推定の進歩を追跡した結果である。
これは合理的なアプローチのように見えるが、仮想シーンをリアルな写真にリライトするために推定照明を使用する場合、人間の嗜好と相関しないことを示す。
論文 参考訳（メタデータ） (2023-12-07T14:51:12Z) - SplitNeRF: Split Sum Approximation Neural Field for Joint Geometry,
Illumination, and Material Estimation [65.99344783327054]
本稿では, 実世界の物体の形状, 材料特性, 照明特性を推定してデジタル化する手法を提案する。
提案手法は,実時間物理ベースのレンダリングに画像ベースの照明で使用される分割和近似を,レーダランスニューラルネットワーク(NeRF)パイプラインに組み込む。
提案手法は,NVIDIA A100 GPUを1つのGPUで1時間に1ドル程度のトレーニングをした後で,最先端のリライト品質を実現することができる。
論文 参考訳（メタデータ） (2023-11-28T10:36:36Z) - A Real-time Human Pose Estimation Approach for Optimal Sensor Placement
in Sensor-based Human Activity Recognition [63.26015736148707]
本稿では,人間の行動認識に最適なセンサ配置の課題を解決するための新しい手法を提案する。
得られた骨格データは、最適なセンサ位置を特定するためのユニークな戦略を提供する。
本研究は,センサ配置の視覚的手法が従来のディープラーニング手法と同等の結果をもたらすことを示唆している。
論文 参考訳（メタデータ） (2023-07-06T10:38:14Z) - Neural Light Field Estimation for Street Scenes with Differentiable
Virtual Object Insertion [129.52943959497665]
既存の屋外照明推定の作業は通常、シーン照明を環境マップに単純化する。
単一画像から5次元HDR光場を推定するニューラルネットワークを提案する。
自律運転アプリケーションにおけるARオブジェクト挿入の利点を示す。
論文 参考訳（メタデータ） (2022-08-19T17:59:16Z) - ST-P3: End-to-end Vision-based Autonomous Driving via Spatial-Temporal
Feature Learning [132.20119288212376]
本稿では,認識,予測,計画タスクを同時に行うための,より代表的な特徴の集合に対する時空間的特徴学習手法を提案する。
私たちの知識を最大限に活用するために、私たちは、解釈可能なエンドツーエンドの自動運転システムの各部分を体系的に調査した最初の人です。
論文 参考訳（メタデータ） (2022-07-15T16:57:43Z) - Illumination and Temperature-Aware Multispectral Networks for
Edge-Computing-Enabled Pedestrian Detection [10.454696553567809]
本研究は,高精度かつ効率的な歩行者検出のための軽量照明・温度対応マルチスペクトルネットワーク(IT-MN)を提案する。
提案アルゴリズムは、車載カメラで収集した公開データセットを用いて、選択した最先端アルゴリズムと比較して評価する。
提案アルゴリズムは,GPU上の画像ペアあたり14.19%,0.03秒の低ミス率と推論時間を実現する。
論文 参考訳（メタデータ） (2021-12-09T17:27:23Z) - Sparse Needlets for Lighting Estimation with Spherical Transport Loss [89.52531416604774]
NeedleLightは、新しい照明推定モデルであり、必要に応じて照明を表現し、周波数領域と空間領域を共同で照明推定することができる。
大規模な実験により、NeedleLightは、最先端の手法と比較して、複数の評価指標で常に優れた照明推定を実現していることがわかった。
論文 参考訳（メタデータ） (2021-06-24T15:19:42Z) - Graph-based Thermal-Inertial SLAM with Probabilistic Neural Networks [38.35547654117047]
SLAMフロントエンドのニューラルネットワーク抽象化とSLAMバックエンドの堅牢なポーズグラフ最適化を組み合わせた,最初の完全熱慣性SLAMシステムを提案する。
熱画像からこのエンコーディングをモデル化するのに重要な戦略は、正規化された14ビットラジオメトリックデータの使用、幻覚視覚(RGB)機能の組み込み、MDNパラメータを推定するための特徴選択の包含です。
論文 参考訳（メタデータ） (2021-04-15T01:39:15Z) - GMLight: Lighting Estimation via Geometric Distribution Approximation [86.95367898017358]
本稿では,効率的な照明推定のための回帰ネットワークと生成プロジェクタを用いた照明推定フレームワークを提案する。
幾何学的な光の分布、光強度、周囲条件、および補助深さの点から照明シーンをパラメータ化し、純粋な回帰タスクとして推定します。
推定照明パラメータを用いて、生成プロジェクタはパノラマ照明マップを現実的な外観と周波数で合成する。
論文 参考訳（メタデータ） (2021-02-20T03:31:52Z) - EMLight: Lighting Estimation via Spherical Distribution Approximation [33.26530733479459]
本稿では,回帰ネットワークとニューラルプロジェクタを用いて正確な照明推定を行う照明推定フレームワークを提案する。
照明マップを球状光分布、光強度、周囲期間に分解します。
予測された球面分布、光強度、周囲項の誘導の下で、神経プロジェクターは現実的な光周波数でパノラマ照明マップを合成する。
論文 参考訳（メタデータ） (2020-12-21T04:54:08Z)
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。