論文の概要: Skeleton Detection Using Dual Radars with Integration of Dual-View CNN Models and mmPose

• arxiv url: http://arxiv.org/abs/2411.19251v1
• Date: Thu, 28 Nov 2024 16:40:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-02 15:19:05.498665
• Title: Skeleton Detection Using Dual Radars with Integration of Dual-View CNN Models and mmPose
• Title（参考訳）: デュアルビューCNNモデルとmmPoseを統合したデュアルレーダを用いた骨格検出
• Authors: Masaharu Kodama, Runhe Huang,
• Abstract要約: 本研究は2つのmmWaveレーダを用いて、PointNetとmmPoseを組み合わせた3つのDual ViewCNNモデルを提案する。 提案モデルでは,無作為歩行に対する準最適結果を示すが,アームスイングの場合の方が優れている。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Skeleton detection is a technique that can beapplied to a variety of situations. It is especially critical identifying and tracking the movements of the elderly, especially in real-time fall detection. While conventional image processing methods exist, there's a growing preference for utilizing pointclouds data collected by mmWave radars from viewpoint of privacy protection, offering a non-intrusive approach to elevatesafety and care for the elderly. Dealing with point cloud data necessitates addressing three critical considerations. Firstly, the inherent nature of point clouds -- rotation invariance, translation invariance, and locality -- is managed through the fusion of PointNet and mmPose. PointNet ensures rotational and translational invariance, while mmPose addresses locality. Secondly, the limited points per frame from radar require data integration from two radars to enhance skeletal detection. Lastly,inputting point cloud data into the learning model involves utilizing features like coordinates, velocity, and signal-to-noise ratio (SNR) per radar point to mitigate sparsity issues and reduce computational load. This research proposes three Dual ViewCNN models, combining PointNet and mmPose, employing two mmWave radars, with performance comparisons in terms of Mean Absolute Error (MAE). While the proposed model shows suboptimal results for random walking, it excels in the arm swing case.
• Abstract（参考訳）: 骨格検出は様々な状況に適応できる技術である。 特に高齢者の動きの特定と追跡は、特にリアルタイムの転倒検出において重要である。 従来の画像処理手法は存在するが、プライバシー保護の観点からmWaveレーダーが収集したポイントクラウドデータを利用することが好まれている。 ポイントクラウドデータの処理は、3つの重要な考慮事項に対処する必要がある。 まず、点雲の固有の性質(回転不変性、翻訳不変性、局所性)は、PointNetとmmPoseの融合によって管理される。 ポイントネットは回転不変性と変換不変性を保証するが、mmPoseは局所性に対処する。 第二に、レーダーから1フレーム当たりの制限点は、骨格検出を強化するために2つのレーダーからのデータ統合を必要とする。 最後に、ポイントクラウドデータを学習モデルに入力するには、座標、速度、レーダポイント毎の信号-雑音比(SNR)といった機能を活用して、分散問題を緩和し、計算負荷を削減する。 本研究では,2つのmmWaveレーダを用いて,PointNetとmmPoseを組み合わせた3つのDual ViewCNNモデルを提案する。 提案モデルでは,無作為歩行に対する準最適結果を示すが,アームスイングの場合の方が優れている。

関連論文リスト

• SEED: A Simple and Effective 3D DETR in Point Clouds [72.74016394325675]
  ポイントクラウドの分散度が高く,不均一な分布のため,主な課題は困難である,と我々は主張する。 点雲から3次元物体を検出するための簡便で効果的な3次元DETR法(SEED)を提案する。
  論文  参考訳（メタデータ） (2024-07-15T14:21:07Z)
• Diffusion-Based Point Cloud Super-Resolution for mmWave Radar Data [8.552647576661174]
  ミリ波レーダセンサは、環境条件下では安定した性能を維持している。 レーダー点雲は比較的希薄で、巨大なゴーストポイントを含んでいる。 本稿では3次元ミリ波レーダデータに対する新しい点雲超解像法,Radar-diffusionを提案する。
  論文  参考訳（メタデータ） (2024-04-09T04:41:05Z)
• PTT: Point-Trajectory Transformer for Efficient Temporal 3D Object Detection [66.94819989912823]
  時間的3次元物体検出を効率的に行うために,長期記憶が可能な点トラジェクトリ変換器を提案する。 私たちは、メモリバンクのストレージ要件を最小限に抑えるために、現在のフレームオブジェクトのポイントクラウドとその履歴トラジェクトリを入力として使用します。 大規模データセットに対する広範な実験を行い、我々のアプローチが最先端の手法に対してうまく機能することを実証した。
  論文  参考訳（メタデータ） (2023-12-13T18:59:13Z)
• Robust 3D Object Detection from LiDAR-Radar Point Clouds via Cross-Modal Feature Augmentation [7.364627166256136]
  本稿では,点雲からの3次元物体検出のための新しい枠組みを提案する。 背骨の微細化と幻覚発生を同時に行うために,空間的および特徴的に複数のアライメントを導入する。 View-of-Delftデータセットの実験により,提案手法は,レーダとLiDARの両方のオブジェクト検出において,最先端(SOTA)手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2023-09-29T15:46:59Z)
• Echoes Beyond Points: Unleashing the Power of Raw Radar Data in Multi-modality Fusion [74.84019379368807]
  本稿では,既存のレーダ信号処理パイプラインをスキップするEchoFusionという新しい手法を提案する。 具体的には、まずBird's Eye View (BEV)クエリを生成し、次にレーダーから他のセンサーとフューズに対応するスペクトル特徴を取ります。
  論文  参考訳（メタデータ） (2023-07-31T09:53:50Z)
• Semantic Segmentation of Radar Detections using Convolutions on Point Clouds [59.45414406974091]
  本稿では,レーダ検出を点雲に展開する深層学習手法を提案する。 このアルゴリズムは、距離依存クラスタリングと入力点雲の事前処理により、レーダ固有の特性に適応する。 我々のネットワークは、レーダポイント雲のセマンティックセグメンテーションのタスクにおいて、PointNet++に基づく最先端のアプローチよりも優れています。
  論文  参考訳（メタデータ） (2023-05-22T07:09:35Z)
• RadarGNN: Transformation Invariant Graph Neural Network for Radar-based Perception [0.0]
  点自体の情報だけでなく,それらの関係も利用する新しいグラフニューラルネットワークが提案されている。 このモデルは、グラフの端に埋め込まれたポイント特徴とポイントペア特徴の両方を考慮するように設計されている。 RadarGNNモデルは、RadarScenesデータセットで以前のすべてのメソッドより優れています。
  論文  参考訳（メタデータ） (2023-04-13T13:57:21Z)
• RaLiBEV: Radar and LiDAR BEV Fusion Learning for Anchor Box Free Object Detection Systems [13.046347364043594]
  自動運転では、LiDARとレーダーは環境認識に不可欠である。 最近の最先端の研究は、レーダーとLiDARの融合が悪天候の堅牢な検出につながることを明らかにしている。 鳥眼ビュー融合学習に基づくアンカーボックスフリー物体検出システムを提案する。
  論文  参考訳（メタデータ） (2022-11-11T10:24:42Z)
• Detecting Rotated Objects as Gaussian Distributions and Its 3-D Generalization [81.29406957201458]
  既存の検出方法は、パラメータ化バウンディングボックス(BBox)を使用して(水平)オブジェクトをモデル化し、検出する。 このような機構は回転検出に有効な回帰損失を構築するのに基本的な限界があると主張する。 回転した物体をガウス分布としてモデル化することを提案する。 2次元から3次元へのアプローチを、方向推定を扱うアルゴリズム設計により拡張する。
  論文  参考訳（メタデータ） (2022-09-22T07:50:48Z)
• Anchor-free 3D Single Stage Detector with Mask-Guided Attention for Point Cloud [79.39041453836793]
  我々は、点雲をアンカーフリーで検出する新しい1段3次元検出器を開発した。 ボクセルをベースとしたスパース3D特徴量からスパース2D特徴量マップに変換することでこれを克服する。 検出信頼度スコアとバウンディングボックス回帰の精度との相関性を改善するために,IoUに基づく検出信頼度再校正手法を提案する。
  論文  参考訳（メタデータ） (2021-08-08T13:42:13Z)

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。