論文の概要: Design Space Exploration on Efficient and Accurate Human Pose Estimation
from Sparse IMU-Sensing
- arxiv url: http://arxiv.org/abs/2308.02397v2
- Date: Mon, 12 Feb 2024 16:58:42 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-13 22:40:44.776267
- Title: Design Space Exploration on Efficient and Accurate Human Pose Estimation
from Sparse IMU-Sensing
- Title(参考訳): スパースIMUセンシングによる効率的な人文推定のための設計空間探索
- Authors: Iris F\"urst-Walter, Antonio Nappi, Tanja Harbaum, J\"urgen Becker
- Abstract要約: HPE(Human Pose Estimation)は、スポーツ、リハビリテーション、仕事の安全などにおいて、個人データを損なうことなく正確な感覚を必要とする。
ハードウェアリソースの正確性と効率的な利用との間の中心的なトレードオフは、研究ではほとんど議論されない。
我々は、センサ構成の異なる公開ボディモデルデータセットからIMUデータを生成し、このデータでディープラーニングモデルをトレーニングする。
- 参考スコア(独自算出の注目度): 0.04594153909580514
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Human Pose Estimation (HPE) to assess human motion in sports, rehabilitation
or work safety requires accurate sensing without compromising the sensitive
underlying personal data. Therefore, local processing is necessary and the
limited energy budget in such systems can be addressed by Inertial Measurement
Units (IMU) instead of common camera sensing. The central trade-off between
accuracy and efficient use of hardware resources is rarely discussed in
research. We address this trade-off by a simulative Design Space Exploration
(DSE) of a varying quantity and positioning of IMU-sensors. First, we generate
IMU-data from a publicly available body model dataset for different sensor
configurations and train a deep learning model with this data. Additionally, we
propose a combined metric to assess the accuracy-resource trade-off. We used
the DSE as a tool to evaluate sensor configurations and identify beneficial
ones for a specific use case. Exemplary, for a system with equal importance of
accuracy and resources, we identify an optimal sensor configuration of 4
sensors with a mesh error of 6.03 cm, increasing the accuracy by 32.7% and
reducing the hardware effort by two sensors compared to state of the art. Our
work can be used to design health applications with well-suited sensor
positioning and attention to data privacy and resource-awareness.
- Abstract(参考訳): スポーツ、リハビリテーション、作業安全における人間の動作を評価するためのヒューマンポーズ推定(human pose estimation, hpe)は、センシティブな基礎となる個人データを妥協することなく正確なセンシングを必要とする。
したがって、局所処理は必要であり、そのようなシステムにおける限られたエネルギー予算は、一般的なカメラセンシングの代わりに慣性計測ユニット(IMU)によって対処することができる。
ハードウェアリソースの正確性と効率的な利用との間の中心的なトレードオフは、研究ではほとんど議論されない。
このトレードオフを,IMUセンサの様々な量と位置の模擬設計空間探索(DSE)によって解決する。
まず,センサ構成の異なる公開ボディモデルデータセットから imu-dataを生成し,このデータを用いてディープラーニングモデルをトレーニングする。
さらに、精度とリソースのトレードオフを評価するための組み合わせ指標を提案する。
我々はDSEをセンサ構成の評価ツールとして使用し、特定のユースケースに有用なものを特定した。
例えば、精度とリソースが等しいシステムでは、メッシュ誤差が6.03 cmの4つのセンサの最適なセンサ構成を特定し、精度を32.7%向上させ、2つのセンサーによるハードウェアの労力を削減する。
私たちの研究は、適切なセンサーの位置決めとデータプライバシとリソース認識への注意による健康アプリケーションの設計に使用できます。
関連論文リスト
- Data-Induced Interactions of Sparse Sensors [3.050919759387984]
トレーニングデータによって引き起こされるセンサインタラクションの全体像を熱力学ビューで計算する。
これらのデータによって引き起こされるセンサーの相互作用をマッピングすることで、外部選択基準と組み合わせ、センサーの代替効果を予測することができる。
論文 参考訳(メタデータ) (2023-07-21T18:13:37Z) - 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) - Detection of Sensor-To-Sensor Variations using Explainable AI [2.2956649873563952]
化学抵抗性ガス検知装置は製造中のセンサの変動の問題に悩まされている。
本研究では、SHAP(SHAP)のAI(XAI)法を用いて、センサデバイスにおけるセンサとセンサの変動を検出する新しい手法を提案する。
本手法は,GRU(Gated Recurrent Unit)モデルをトレーニングするために,人工的および現実的なオゾン濃度プロファイルを用いて試験する。
論文 参考訳(メタデータ) (2023-06-19T11:00:54Z) - On the Importance of Accurate Geometry Data for Dense 3D Vision Tasks [61.74608497496841]
不正確または破損したデータのトレーニングは、モデルバイアスとハマーズ一般化能力を誘導する。
本稿では,深度推定と再構成における高密度3次元視覚課題に対するセンサ誤差の影響について検討する。
論文 参考訳(メタデータ) (2023-03-26T22:32:44Z) - Environmental Sensor Placement with Convolutional Gaussian Neural
Processes [65.13973319334625]
センサーは、特に南極のような遠隔地において、その測定の情報量が最大になるように配置することは困難である。
確率論的機械学習モデルは、予測の不確実性を最大限に低減するサイトを見つけることによって、情報的センサ配置を提案することができる。
本稿では,これらの問題に対処するために,畳み込み型ガウスニューラルプロセス(ConvGNP)を提案する。
論文 参考訳(メタデータ) (2022-11-18T17:25:14Z) - Learning from the Best: Contrastive Representations Learning Across
Sensor Locations for Wearable Activity Recognition [6.458496335718508]
本稿では,トレーニングプロセス中にのみ存在し,後続のシステムでは利用できないセンサからの情報の利用を容易にする手法を提案する。
この方法は、ソースセンサからの情報を、コントラストロスを介して、ターゲットセンサデータの潜在表現に転送する。
本手法は, 平均F1スコアを5%から13%の精度で評価し, PAMAP2およびOpportunityベンチマークを用いて, 平均F1スコアを5%から13%の精度で評価した。
論文 参考訳(メタデータ) (2022-10-04T08:33:22Z) - Embedding Temporal Convolutional Networks for Energy-Efficient PPG-Based
Heart Rate Monitoring [17.155316991045765]
Photoplethysmography (volution) センサーは非侵襲的で快適な心拍数モニタリングを可能にする。
モーションアーティファクト(MA)はモニタリングの精度に大きく影響を与え、皮膚とセンサーのインターフェースに高いばらつきをもたらす。
PPGに基づく人事推定のための計算軽量で頑健な深層学習手法を提案する。
PPGDaliaのMean Absolute Error(MAE)の3.84 Beats per Minute(BPM)という2つのベンチマークデータセットに対するアプローチを検証する。
論文 参考訳(メタデータ) (2022-03-01T17:04:28Z) - Bayesian Imitation Learning for End-to-End Mobile Manipulation [80.47771322489422]
RGB + 深度カメラのような追加のセンサー入力によるポリシーの強化は、ロボットの知覚能力を改善するための簡単なアプローチである。
畳み込みニューラルネットワークを正規化するために変分情報ボトルネックを用いることで、保持領域への一般化が向上することを示す。
提案手法は, シミュレーションと現実のギャップを埋めることと, RGBと奥行き変調をうまく融合できることを実証する。
論文 参考訳(メタデータ) (2022-02-15T17:38:30Z) - On the Role of Sensor Fusion for Object Detection in Future Vehicular
Networks [25.838878314196375]
異なるセンサの組み合わせが車両の移動・運転環境の検出にどのように影響するかを評価します。
最終的な目標は、チャネルに分散するデータの量を最小限に抑える最適な設定を特定することです。
論文 参考訳(メタデータ) (2021-04-23T18:58:37Z) - Real-time detection of uncalibrated sensors using Neural Networks [62.997667081978825]
オンライン学習に基づく温度・湿度・圧力センサの非校正検出装置を開発した。
このソリューションはニューラルネットワークをメインコンポーネントとして統合し、校正条件下でのセンサーの動作から学習する。
その結果, 提案手法は, 偏差値0.25度, 1% RH, 1.5Paの偏差をそれぞれ検出できることがわかった。
論文 参考訳(メタデータ) (2021-02-02T15:44:39Z) - SensiX: A Platform for Collaborative Machine Learning on the Edge [69.1412199244903]
センサデータとセンサモデルの間に留まるパーソナルエッジプラットフォームであるSensiXを紹介する。
動作および音声に基づくマルチデバイスセンシングシステムの開発において,その有効性を示す。
評価の結果,SensiXは3mWのオーバヘッドを犠牲にして,全体の精度が7~13%向上し,環境のダイナミクスが最大30%向上することがわかった。
論文 参考訳(メタデータ) (2020-12-04T23:06:56Z)
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。