論文の概要: PressureTransferNet: Human Attribute Guided Dynamic Ground Pressure
Profile Transfer using 3D simulated Pressure Maps
- arxiv url: http://arxiv.org/abs/2308.00538v1
- Date: Tue, 1 Aug 2023 13:31:25 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-02 14:03:01.081802
- Title: PressureTransferNet: Human Attribute Guided Dynamic Ground Pressure
Profile Transfer using 3D simulated Pressure Maps
- Title（参考訳）: PressureTransferNet:3次元シミュレート・プレッシャマップを用いた人属性動的地圧プロファイル転送
- Authors: Lala Shakti Swarup Ray, Vitor Fortes Rey, Bo Zhou, Sungho Suh, Paul
Lukowicz
- Abstract要約: PressureTransferNetは、ソースの圧力マップとターゲットの人間属性ベクトルを入力として取り込むエンコーダ・デコーダモデルである。
センサシミュレーションを用いて、さまざまな人的属性と圧力プロファイルを持つ多様なデータセットを作成する。
物理に基づく深層学習モデルを用いて, 合成圧力形状の忠実度を視覚的に確認し, 接地領域での2乗R2乗値0.79を得る。
- 参考スコア（独自算出の注目度）: 7.421780713537146
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We propose PressureTransferNet, a novel method for Human Activity Recognition
(HAR) using ground pressure information. Our approach generates body-specific
dynamic ground pressure profiles for specific activities by leveraging existing
pressure data from different individuals. PressureTransferNet is an
encoder-decoder model taking a source pressure map and a target human attribute
vector as inputs, producing a new pressure map reflecting the target attribute.
To train the model, we use a sensor simulation to create a diverse dataset with
various human attributes and pressure profiles. Evaluation on a real-world
dataset shows its effectiveness in accurately transferring human attributes to
ground pressure profiles across different scenarios. We visually confirm the
fidelity of the synthesized pressure shapes using a physics-based deep learning
model and achieve a binary R-square value of 0.79 on areas with ground contact.
Validation through classification with F1 score (0.911$\pm$0.015) on physical
pressure mat data demonstrates the correctness of the synthesized pressure
maps, making our method valuable for data augmentation, denoising, sensor
simulation, and anomaly detection. Applications span sports science,
rehabilitation, and bio-mechanics, contributing to the development of HAR
systems.
- Abstract（参考訳）: 本研究では,地圧情報を用いた新しい人間行動認識法である pressure transfernet を提案する。
本手法は, 個体の既存の圧力データを利用することにより, 特定の活動に対する身体特異的な動的地圧プロファイルを生成する。
pressuretransfernetは、ソース圧力マップとターゲットヒューマン属性ベクトルを入力とするエンコーダ/デコーダモデルであり、ターゲット属性を反映した新しい圧力マップを生成する。
モデルをトレーニングするために、センサシミュレーションを使用して、さまざまな属性と圧力プロファイルを持つ多様なデータセットを作成する。
実世界のデータセットの評価は、異なるシナリオにわたって人間の属性を地圧プロファイルに正確に転送する効果を示している。
物理ベースの深層学習モデルを用いて合成圧力形状の忠実性を視覚的に確認し,接地領域において0.79の2次r-平方値を達成する。
f1スコア(0.911$\pm$0.015)の物理圧力マットデータによる分類による検証は、合成圧力マップの正確性を示し、この手法はデータの強化、ノイズ除去、センサシミュレーション、異常検出に有用である。
応用はスポーツ科学、リハビリテーション、生体力学に及び、HARシステムの開発に寄与する。
関連論文リスト
- EgoPressure: A Dataset for Hand Pressure and Pose Estimation in Egocentric Vision [69.1005706608681]
EgoPressureは,エゴセントリックな視点から,タッチ接触と圧力相互作用の新たなデータセットである。
EgoPressureは、動くエゴセントリックカメラと7台の静止Kinectカメラによって捕獲された21人の参加者による5.0時間の接触接触と圧力相互作用で構成されている。
論文 参考訳（メタデータ） (2024-09-03T18:53:32Z) - Neural Plasticity-Inspired Multimodal Foundation Model for Earth Observation [48.66623377464203]
我々の新しいアプローチは、脳科学における神経可塑性の概念を活用する、ダイナミックワンフォーオール(DOFA)モデルを導入している。
このダイナミックなハイパーネットワークは、異なる波長に調整され、5つのセンサーのデータに基づいて1つの多目的トランスフォーマーを共同で訓練し、12の異なる地球観測タスクを遂行することを可能にする。
論文 参考訳（メタデータ） (2024-03-22T17:11:47Z) - Text me the data: Generating Ground Pressure Sequence from Textual
Descriptions for HAR [4.503003860563811]
Text-to-Pressure (T2P) は、テキスト記述から地圧シーケンスを生成するために設計されたフレームワークである。
センサデータのベクトル量子化と簡単なテキスト条件付き自己回帰戦略を組み合わせることで,高品質な圧力系列が得られることを示す。
論文 参考訳（メタデータ） (2024-02-22T10:14:59Z) - Physics Inspired Hybrid Attention for SAR Target Recognition [61.01086031364307]
本稿では,物理にヒントを得たハイブリットアテンション(PIHA)機構と,この問題に対処するためのOFA評価プロトコルを提案する。
PIHAは、物理的情報の高レベルなセマンティクスを活用して、ターゲットの局所的なセマンティクスを認識した特徴群を活性化し、誘導する。
提案手法は,ASCパラメータが同じ12のテストシナリオにおいて,他の最先端手法よりも優れている。
論文 参考訳（メタデータ） (2023-09-27T14:39:41Z) - Machine learning enhanced real-time aerodynamic forces prediction based
on sparse pressure sensor inputs [7.112725255953468]
本稿では,少数の圧力センサを用いたデータ駆動型空気力予測モデルを提案する。
本モデルでは,2次元NACA0015翼の動的ストールデータと3次元ドローンの動的ストールデータの数値シミュレーションデータを用いて実験を行った。
論文 参考訳（メタデータ） (2023-05-16T06:15:13Z) - PresSim: An End-to-end Framework for Dynamic Ground Pressure Profile
Generation from Monocular Videos Using Physics-based 3D Simulation [8.107762252448195]
人体が受ける地圧は、広汎なセンシングにおいて、人間の活動認識(HAR)にとって貴重な情報源である。
本稿では,人間の活動のビデオからセンサデータを合成し,その労力を大幅に削減する,新しいエンドツーエンドフレームワークPresSimを提案する。
論文 参考訳（メタデータ） (2023-02-01T12:02:04Z) - Reconfigurable Data Glove for Reconstructing Physical and Virtual Grasps [100.72245315180433]
本研究では,人間の手-物体相互作用の異なるモードを捉えるために,再構成可能なデータグローブの設計を提案する。
グローブは3つのモードで動作し、異なる特徴を持つ様々な下流タスクを実行する。
i)手の動きと関連力を記録し,(ii)VRの操作流速を改善するとともに,(iii)様々なツールの現実的なシミュレーション効果を生み出すことにより,システムの3つのモードを評価する。
論文 参考訳（メタデータ） (2023-01-14T05:35:50Z) - PressureVision++: Estimating Fingertip Pressure from Diverse RGB Images [23.877554759345607]
ディープモデルは、単一のRGB画像に基づいて手圧力を推定できる。
本稿では,RGBカメラと協力的参加者のみを用いて,多様なデータをキャプチャ可能な新しいアプローチを提案する。
pressureVision++ の混合現実への応用を実演し、毎日の表面をタッチに敏感なインターフェースとして利用できるようにする。
論文 参考訳（メタデータ） (2023-01-05T21:48:33Z) - Physics-informed machine learning with differentiable programming for
heterogeneous underground reservoir pressure management [64.17887333976593]
地下貯水池の過圧化を避けることは、CO2の沈殿や排水の注入といった用途に欠かせない。
地中における複雑な不均一性のため, 噴射・抽出制御による圧力管理は困難である。
過圧化防止のための流体抽出速度を決定するために、フル物理モデルと機械学習を用いた微分可能プログラミングを用いる。
論文 参考訳（メタデータ） (2022-06-21T20:38:13Z) - Forecasting Thermoacoustic Instabilities in Liquid Propellant Rocket
Engines Using Multimodal Bayesian Deep Learning [1.911678487931003]
我々は、動的圧力時系列の振幅を予測するために、自己回帰ベイズニューラルネットワークモデルを訓練する。
ネットワークは、圧力振幅の進化を正確に予測し、目に見えない実験で500ミリ秒前に不安定事象を予測できる。
論文 参考訳（メタデータ） (2021-07-01T18:28:13Z) - TRiPOD: Human Trajectory and Pose Dynamics Forecasting in the Wild [77.59069361196404]
TRiPODは、グラフの注目ネットワークに基づいて身体のダイナミクスを予測する新しい方法です。
実世界の課題を取り入れるために,各フレームで推定された身体関節が可視・視認可能かどうかを示す指標を学習する。
評価の結果,TRiPODは,各軌道に特化して設計され,予測タスクに特化している。
論文 参考訳（メタデータ） (2021-04-08T20:01:00Z)
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。
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。