Fugu-MT 論文翻訳(概要): Diffusion Model is a Good Pose Estimator from 3D RF-Vision

論文の概要: Diffusion Model is a Good Pose Estimator from 3D RF-Vision

arxiv url: http://arxiv.org/abs/2403.16198v2
Date: Mon, 22 Jul 2024 03:27:30 GMT
ステータス: 処理完了
システム内更新日: 2024-07-24 02:11:12.805183
Title: Diffusion Model is a Good Pose Estimator from 3D RF-Vision
Title（参考訳）: 拡散モデルによる3次元RF-Visionからの優れた電位推定
Authors: Junqiao Fan, Jianfei Yang, Yuecong Xu, Lihua Xie,
Abstract要約: 無線周波数ビジョン(RF-vision)からのヒューマンポーズ推定(HPE)は、RF信号を用いて人間のセンシングを行う。 mmWaveレーダーは有望なRFビジョンセンサーとして登場し、RF信号を処理してレーダー点雲を提供する。本研究は,ノイズレーダデータに適した新しい拡散型ポーズ推定器mmDiffを提案する。
参考スコア（独自算出の注目度）: 32.72703340013302
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Human pose estimation (HPE) from Radio Frequency vision (RF-vision) performs human sensing using RF signals that penetrate obstacles without revealing privacy (e.g., facial information). Recently, mmWave radar has emerged as a promising RF-vision sensor, providing radar point clouds by processing RF signals. However, the mmWave radar has a limited resolution with severe noise, leading to inaccurate and inconsistent human pose estimation. This work proposes mmDiff, a novel diffusion-based pose estimator tailored for noisy radar data. Our approach aims to provide reliable guidance as conditions to diffusion models. Two key challenges are addressed by mmDiff: (1) miss-detection of parts of human bodies, which is addressed by a module that isolates feature extraction from different body parts, and (2) signal inconsistency due to environmental interference, which is tackled by incorporating prior knowledge of body structure and motion. Several modules are designed to achieve these goals, whose features work as the conditions for the subsequent diffusion model, eliminating the miss-detection and instability of HPE based on RF-vision. Extensive experiments demonstrate that mmDiff outperforms existing methods significantly, achieving state-of-the-art performances on public datasets.
Abstract（参考訳）: RFビジョン(Radio Frequency Vision)からのヒューマンポーズ推定(HPE)は、プライバシーを明かさずに障害物を貫通するRF信号(顔情報など)を用いて人間のセンシングを行う。近年、mWaveレーダーは有望なRFビジョンセンサとして登場し、RF信号を処理してレーダー点雲を提供する。しかし、mmWaveレーダはノイズの多い解像度が限られており、不正確で一貫性のない人間のポーズ推定に繋がる。本研究は,ノイズレーダデータに適した拡散型ポーズ推定器mmDiffを提案する。提案手法は拡散モデルの条件として信頼性の高いガイダンスを提供することを目的としている。 mmDiffでは,(1)異なる身体部位から特徴抽出を分離するモジュールによる人体の一部のミス検出,(2)環境干渉による信号の不整合,という2つの課題に対処する。いくつかのモジュールはこれらの目標を達成するために設計されており、その特徴はその後の拡散モデルの条件として機能し、RFビジョンに基づくHPEのミス検出と不安定性を排除している。大規模な実験により、mmDiffは既存の手法を著しく上回り、公開データセット上で最先端のパフォーマンスを達成している。

関連論文リスト

UniBEVFusion: Unified Radar-Vision BEVFusion for 3D Object Detection [2.123197540438989]
多くのレーダービジョン融合モデルではレーダーを希薄なLiDARとして扱い、レーダー固有の情報を過小評価している。本稿では,レーダー固有データを深度予測プロセスに統合したRDLモジュールを提案する。また、異なるモードでBEV機能を抽出するUnified Feature Fusion (UFF)アプローチも導入する。
論文参考訳（メタデータ） (2024-09-23T06:57:27Z)
RF Challenge: The Data-Driven Radio Frequency Signal Separation Challenge [66.33067693672696]
本稿では、新しいデータ駆動手法を用いて、高周波信号における干渉拒否の重大な問題に対処する。まず、干渉除去アルゴリズムの開発と解析の基礎となる洞察に富んだ信号モデルを提案する。第2に,さまざまなRF信号とコードテンプレートを備えた公開データセットであるRF Challengeを紹介する。第3に,UNetやWaveNetなどのアーキテクチャにおいて,新しいAIに基づく拒絶アルゴリズムを提案し,その性能を8種類の信号混合タイプで評価する。
論文参考訳（メタデータ） (2024-09-13T13:53:41Z)
Towards Dense and Accurate Radar Perception Via Efficient Cross-Modal Diffusion Model [4.269423698485249]
本稿では, クロスモーダル学習による高密度かつ高精度なミリ波レーダポイント雲構築手法を提案する。具体的には, 2組の生レーダデータからLiDARのような点雲を予測するために, 生成モデルにおける最先端性能を有する拡散モデルを提案する。提案手法をベンチマーク比較と実世界の実験により検証し,その優れた性能と一般化能力を実証した。
論文参考訳（メタデータ） (2024-03-13T12:20:20Z)
Joint Attention-Guided Feature Fusion Network for Saliency Detection of Surface Defects [69.39099029406248]
本稿では,エンコーダ・デコーダネットワークに基づく表面欠陥検出のための共同注意誘導型特徴融合ネットワーク(JAFFNet)を提案する。 JAFFNetは、主にJAFFモジュールをデコードステージに組み込んで、低レベルと高レベルの機能を適応的に融合させる。 SD- Saliency-900, Magnetic tile, and DAGM 2007 で行った実験から,本手法が他の最先端手法と比較して有望な性能を達成できたことが示唆された。
論文参考訳（メタデータ） (2024-02-05T08:10:16Z)
Diffusion-Based Particle-DETR for BEV Perception [94.88305708174796]
Bird-Eye-View (BEV)は、自律走行車(AV)における視覚知覚のための最も広く使われているシーンの1つである。近年の拡散法は、視覚知覚のための不確実性モデリングに有望なアプローチを提供するが、BEVの広い範囲において、小さな物体を効果的に検出することができない。本稿では,BEVにおける拡散パラダイムと最先端の3Dオブジェクト検出器を組み合わせることで,この問題に対処する。
論文参考訳（メタデータ） (2023-12-18T09:52:14Z)
Physical-Layer Semantic-Aware Network for Zero-Shot Wireless Sensing [74.12670841657038]
デバイスレスワイヤレスセンシングは、幅広い没入型人間機械対話型アプリケーションをサポートする可能性から、近年、大きな関心を集めている。無線信号におけるデータの均一性と分散センシングにおけるデータプライバシ規制は、広域ネットワークシステムにおける無線センシングの広範な適用を妨げる主要な課題であると考えられている。そこで本研究では,ラベル付きデータを使わずに,一箇所ないし限られた箇所で構築されたモデルを直接他の場所に転送できるゼロショット無線センシングソリューションを提案する。
論文参考訳（メタデータ） (2023-12-08T13:50:30Z)
Denoising Diffusion Models for Plug-and-Play Image Restoration [135.6359475784627]
本稿では,従来のプラグアンドプレイ方式を拡散サンプリングフレームワークに統合したDiffPIRを提案する。 DiffPIRは、差別的なガウスのデノイザーに依存するプラグアンドプレイIR法と比較して、拡散モデルの生成能力を継承することが期待されている。
論文参考訳（メタデータ） (2023-05-15T20:24:38Z)
NerfDiff: Single-image View Synthesis with NeRF-guided Distillation from 3D-aware Diffusion [107.67277084886929]
単一の画像からの新しいビュー合成には、オブジェクトやシーンの隠蔽領域を推論すると同時に、入力とのセマンティックおよび物理的整合性を同時に維持する必要がある。そこで我々は,NerfDiffを提案する。NerfDiffは3D対応条件拡散モデル(CDM)の知識を,テスト時に仮想ビューの集合を合成・精製することで,NeRFに抽出することでこの問題に対処する。さらに,CDMサンプルから3次元一貫した仮想ビューを同時に生成し,改良された仮想ビューに基づいてNeRFを微調整する新しいNeRF誘導蒸留アルゴリズムを提案する。
論文参考訳（メタデータ） (2023-02-20T17:12:00Z)
HuPR: A Benchmark for Human Pose Estimation Using Millimeter Wave Radar [30.51398364813315]
本稿では,ミリ波レーダを用いた人間のポーズ推定ベンチマーク「Human Pose with Millimeter Wave Radar (HuPR)」を紹介する。このデータセットは、レーダに基づく人間のポーズ推定のクロスモダリティトレーニングのために、クロスキャリブレーションされたmmWaveレーダセンサとモノクラーRGBカメラを用いて作成される。
論文参考訳（メタデータ） (2022-10-22T22:28:40Z)
RFMask: A Simple Baseline for Human Silhouette Segmentation with Radio Signals [9.663978351279422]
そこで本研究では,障害物を横切ることができ,照明条件の影響を受けない無線信号を用いてシルエットセグメンテーションを実現することを提案する。提案するRFMaskフレームワークは3つのモジュールで構成されている。 804,760の無線フレームと402,380のカメラフレームを含むデータセットをさまざまな場面で収集した。
論文参考訳（メタデータ） (2022-01-25T08:43:01Z)
MDPose: Human Skeletal Motion Reconstruction Using WiFi Micro-Doppler Signatures [4.92674421365689]
WiFiマイクロドップラーシグネチャに基づくヒト骨格運動再建のための新しいフレームワークであるMDPoseを提案する。 17個のキーポイントを持つ骨格モデルを再構築することで、人間の活動を追跡する効果的なソリューションを提供する。 MDPoseは最先端のRFベースのポーズ推定システムより優れている。
論文参考訳（メタデータ） (2022-01-11T21:46:28Z)

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。