論文の概要: A Lightweight Human Pose Estimation Approach for Edge Computing-Enabled Metaverse with Compressive Sensing
- arxiv url: http://arxiv.org/abs/2409.00087v1
- Date: Mon, 26 Aug 2024 02:57:23 GMT
- ステータス: 処理完了
- システム内更新日: 2024-09-08 15:21:17.451814
- Title: A Lightweight Human Pose Estimation Approach for Edge Computing-Enabled Metaverse with Compressive Sensing
- Title（参考訳）: 圧縮センシングを用いたエッジコンピューティング可能なメタバースの軽量ヒューマンポース推定手法
- Authors: Nguyen Quang Hieu, Dinh Thai Hoang, Diep N. Nguyen,
- Abstract要約: 5G/6Gネットワークのようなエッジコンピューティング対応ネットワーク上のユーザの3D動作を推定する能力は、拡張現実(XR)とメタバースアプリケーションの新しい時代の重要な実現要因である。
近年の深層学習の進歩は,センサ信号からの予備的な計測から3次元人のポーズを推定する最適化手法よりも有利であることが示されている。
ノイズの多い無線環境におけるIMU信号の冗長性除去と軽量伝送のための新しい手法を提案する。
- 参考スコア（独自算出の注目度）: 23.884862152830184
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The ability to estimate 3D movements of users over edge computing-enabled networks, such as 5G/6G networks, is a key enabler for the new era of extended reality (XR) and Metaverse applications. Recent advancements in deep learning have shown advantages over optimization techniques for estimating 3D human poses given spare measurements from sensor signals, i.e., inertial measurement unit (IMU) sensors attached to the XR devices. However, the existing works lack applicability to wireless systems, where transmitting the IMU signals over noisy wireless networks poses significant challenges. Furthermore, the potential redundancy of the IMU signals has not been considered, resulting in highly redundant transmissions. In this work, we propose a novel approach for redundancy removal and lightweight transmission of IMU signals over noisy wireless environments. Our approach utilizes a random Gaussian matrix to transform the original signal into a lower-dimensional space. By leveraging the compressive sensing theory, we have proved that the designed Gaussian matrix can project the signal into a lower-dimensional space and preserve the Set-Restricted Eigenvalue condition, subject to a power transmission constraint. Furthermore, we develop a deep generative model at the receiver to recover the original IMU signals from noisy compressed data, thus enabling the creation of 3D human body movements at the receiver for XR and Metaverse applications. Simulation results on a real-world IMU dataset show that our framework can achieve highly accurate 3D human poses of the user using only $82\%$ of the measurements from the original signals. This is comparable to an optimization-based approach, i.e., Lasso, but is an order of magnitude faster.
- Abstract（参考訳）: 5G/6Gネットワークのようなエッジコンピューティング対応ネットワーク上のユーザの3D動作を推定する能力は、拡張現実(XR)とメタバースアプリケーションの新しい時代の重要な有効性である。
近年の深層学習の進歩は,センサ信号,すなわち慣性計測ユニット(IMU)を付加したセンサ信号から3次元人間のポーズを推定する手法よりも優れている。
しかし、既存の研究は無線システムへの適用性に欠けており、ノイズの多い無線ネットワーク上でIMU信号を送信することは重大な課題となっている。
さらに、IMU信号の潜在的な冗長性は考慮されておらず、非常に冗長な伝送をもたらす。
本研究では,ノイズの多い無線環境上でのIMU信号の冗長性除去と軽量伝送のための新しい手法を提案する。
提案手法では, ランダムなガウス行列を用いて, 元の信号を低次元空間に変換する。
圧縮センシング理論を応用して,設計したガウス行列が信号の低次元空間への投射と,電力伝達制約下でのセット制限固有値条件の維持を証明した。
さらに、ノイズの多い圧縮データから元のIMU信号を復元するために、受信側で深い生成モデルを構築し、XRおよびMetaverse用受信側で3次元人体の動きを生成できるようにする。
実世界のIMUデータセットのシミュレーション結果から,我々のフレームワークは,元の信号から得られる計測値のわずか8.2セントで,ユーザの高精度な3次元ポーズを達成できることが分かる。
これは最適化に基づくアプローチ、すなわちラッソに匹敵するが、桁違いに高速である。
関連論文リスト
- DM3D: Distortion-Minimized Weight Pruning for Lossless 3D Object Detection [42.07920565812081]
本稿では,3次元物体検出のための新しいトレーニング後の重み付け手法を提案する。
事前訓練されたモデルにおける冗長パラメータを決定し、局所性と信頼性の両方において最小限の歪みをもたらす。
本フレームワークは,ネットワーク出力の歪みを最小限に抑え,検出精度を最大に維持することを目的とする。
論文 参考訳（メタデータ） (2024-07-02T09:33:32Z) - Differentiable and Learnable Wireless Simulation with Geometric Transformers [13.538643388955768]
Wi-GATrは、シーンプリミティブに基づいたチャネル観測を予測するために設計された、完全に学習可能なニューラルネットワークシュロゲートである。
我々は,Wi-GATrが正確で,高速で,試料効率が高く,対称性に起因した変換に頑健であることを示す。
論文 参考訳（メタデータ） (2024-06-21T09:14:11Z) - EM-GANSim: Real-time and Accurate EM Simulation Using Conditional GANs for 3D Indoor Scenes [55.2480439325792]
実時間電磁伝搬のための新しい機械学習手法(EM-GANSim)を提案する。
実際には、3D屋内環境のあらゆる場所で数ミリ秒で信号強度を計算することができる。
論文 参考訳（メタデータ） (2024-05-27T17:19:02Z) - Efficient and accurate neural field reconstruction using resistive memory [52.68088466453264]
デジタルコンピュータにおける従来の信号再構成手法は、ソフトウェアとハードウェアの両方の課題に直面している。
本稿では,スパース入力からの信号再構成のためのソフトウェア・ハードウェア協調最適化を用いた体系的アプローチを提案する。
この研究は、AI駆動の信号復元技術を進歩させ、将来の効率的で堅牢な医療AIと3Dビジョンアプリケーションへの道を開く。
論文 参考訳（メタデータ） (2024-04-15T09:33:09Z) - 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) - NeRF-LOAM: Neural Implicit Representation for Large-Scale Incremental
LiDAR Odometry and Mapping [14.433784957457632]
ニューラルドメトリー,ニューラルマッピング,メッシュ再構成の3つのモジュールからなる新しいNeRF-LOAMを提案する。
提案手法は,LiDARデータを用いた大規模環境において,最先端のオドメトリーとマッピング性能を実現するとともに,強力な一般化を実現する。
論文 参考訳（メタデータ） (2023-03-19T16:40:36Z) - TWR-MCAE: A Data Augmentation Method for Through-the-Wall Radar Human
Motion Recognition [19.7631142728486]
本稿では,マルチリンク自動符号化ニューラルネットワーク(TWR-MCAE)データ拡張手法を提案する。
提案アルゴリズムは、より優れたピーク信号-雑音比(PSNR)を得る。
実験により,提案アルゴリズムはより優れたピーク信号対雑音比(PSNR)が得られることが示された。
論文 参考訳（メタデータ） (2023-01-06T12:56:53Z) - CROMOSim: A Deep Learning-based Cross-modality Inertial Measurement
Simulator [7.50015216403068]
慣性測定装置 (IMU) のデータは, 人体移動の監視と評価に利用されてきた。
データ不足を緩和するため,クロスモーダルセンサシミュレータであるCROMOSimを設計した。
モーションキャプチャシステムや単眼RGBカメラから高忠実度仮想IMUセンサーデータをシミュレートする。
論文 参考訳（メタデータ） (2022-02-21T22:30:43Z) - Geometry-Contrastive Transformer for Generalized 3D Pose Transfer [95.56457218144983]
この研究の直感は、与えられたメッシュ間の幾何学的不整合を強力な自己認識機構で知覚することである。
本研究では,グローバルな幾何学的不整合に対する3次元構造的知覚能力を有する新しい幾何学コントラスト変換器を提案する。
本稿では, クロスデータセット3次元ポーズ伝達タスクのための半合成データセットとともに, 潜時等尺正則化モジュールを提案する。
論文 参考訳（メタデータ） (2021-12-14T13:14:24Z) - SignalNet: A Low Resolution Sinusoid Decomposition and Estimation
Network [79.04274563889548]
本稿では,正弦波数を検出するニューラルネットワークアーキテクチャであるSignalNetを提案する。
基礎となるデータ分布と比較して,ネットワークの結果を比較するための最悪の学習しきい値を導入する。
シミュレーションでは、我々のアルゴリズムは常に3ビットデータのしきい値を超えることができるが、しばしば1ビットデータのしきい値を超えることはできない。
論文 参考訳（メタデータ） (2021-06-10T04:21:20Z) - A Compressive Sensing Approach for Federated Learning over Massive MIMO
Communication Systems [82.2513703281725]
フェデレートラーニング(Federated Learning)は、無線デバイスとのコラボレーションによって、中央サーバでグローバルモデルをトレーニングするための、プライバシ保護のアプローチである。
本稿では,大規模マルチインプット多出力通信システム上でのフェデレーション学習のための圧縮センシング手法を提案する。
論文 参考訳（メタデータ） (2020-03-18T05:56:27Z)
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。