論文の概要: GenHPE: Generative Counterfactuals for 3D Human Pose Estimation with Radio Frequency Signals

• arxiv url: http://arxiv.org/abs/2503.09537v1
• Date: Wed, 12 Mar 2025 16:53:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-13 15:39:40.669022
• Title: GenHPE: Generative Counterfactuals for 3D Human Pose Estimation with Radio Frequency Signals
• Title（参考訳）: GenHPE: 無線周波数信号を用いた3次元人物位置推定のための生成法
• Authors: Shuokang Huang, Julie A. McCann,
• Abstract要約: GenHPEは、ドメイン固有の共同設立者を排除するために、偽のRF信号を生成する3Dポーズ推定手法である。 我々は、WiFi、超広帯域、ミリ波の3つの公開データセット上でGenHPEを評価する。
• 参考スコア（独自算出の注目度）: 4.169692649022713
• License:
• Abstract: Human pose estimation (HPE) detects the positions of human body joints for various applications. Compared to using cameras, HPE using radio frequency (RF) signals is non-intrusive and more robust to adverse conditions, exploiting the signal variations caused by human interference. However, existing studies focus on single-domain HPE confined by domain-specific confounders, which cannot generalize to new domains and result in diminished HPE performance. Specifically, the signal variations caused by different human body parts are entangled, containing subject-specific confounders. RF signals are also intertwined with environmental noise, involving environment-specific confounders. In this paper, we propose GenHPE, a 3D HPE approach that generates counterfactual RF signals to eliminate domain-specific confounders. GenHPE trains generative models conditioned on human skeleton labels, learning how human body parts and confounders interfere with RF signals. We manipulate skeleton labels (i.e., removing body parts) as counterfactual conditions for generative models to synthesize counterfactual RF signals. The differences between counterfactual signals approximately eliminate domain-specific confounders and regularize an encoder-decoder model to learn domain-independent representations. Such representations help GenHPE generalize to new subjects/environments for cross-domain 3D HPE. We evaluate GenHPE on three public datasets from WiFi, ultra-wideband, and millimeter wave. Experimental results show that GenHPE outperforms state-of-the-art methods and reduces estimation errors by up to 52.2mm for cross-subject HPE and 10.6mm for cross-environment HPE.
• Abstract（参考訳）: HPE(Human pose Estimation)は、様々な用途において人体関節の位置を検出する。 カメラと比べ、無線周波数(RF)信号を用いたHPEは、人間の干渉によって引き起こされる信号の変動を利用して、非侵襲的で、悪条件に対してより堅牢である。 しかし、既存の研究では、ドメイン固有の共同設立者が限定する単一ドメインHPEに焦点を当てており、新しいドメインに一般化できず、結果としてHPEのパフォーマンスが低下する。 具体的には、異なる人体部位によって引き起こされる信号の変動が絡み合っていて、対象特異的な共同設立者を含んでいる。 RF信号は環境固有の共同設立者を含む環境騒音と干渉する。 本稿では,ドメイン固有の共同設立者を排除するために,非現実的なRF信号を生成する3次元HPE手法であるGenHPEを提案する。 GenHPEは人間の骨格ラベルに条件付けされた生成モデルを訓練し、人体の一部と共同設立者がRF信号にどのように干渉するかを学ぶ。 生成モデルにおいて,スケルトンラベル(身体部分の除去)を反ファクト的条件として操作し,反ファクト的RF信号を合成する。 対物信号の違いは、ドメイン固有の共同創設者をほぼ排除し、エンコーダ・デコーダモデルを正規化し、ドメインに依存しない表現を学習する。 このような表現は、GenHPEがクロスドメイン3D HPEの新しい主題/環境に一般化するのに役立ちます。 我々は、WiFi、超広帯域、ミリ波の3つの公開データセット上でGenHPEを評価する。 実験結果から,GenHPEは最先端の手法より優れており,クロスオブジェクトHPEでは52.2mm,クロス環境HPEでは10.6mmと推定誤差は52.2mm以下であることがわかった。

関連論文リスト

• 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)
• A Lightweight Human Pose Estimation Approach for Edge Computing-Enabled Metaverse with Compressive Sensing [23.884862152830184]
  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。
  論文  参考訳（メタデータ） (2024-08-26T02:57:23Z)
• AiOS: All-in-One-Stage Expressive Human Pose and Shape Estimation [55.179287851188036]
  人間のポーズと形状の復元のための新しいオールインワンステージフレームワークであるAiOSを、追加の人間検出ステップなしで導入する。 まず、画像中の人間の位置を探索し、各インスタンスのグローバルな機能をエンコードするために、人間のトークンを使用します。 そして、画像中の人間の関節を探索し、きめ細かい局所的特徴を符号化するジョイント関連トークンを導入する。
  論文  参考訳（メタデータ） (2024-03-26T17:59:23Z)
• Diffusion Model is a Good Pose Estimator from 3D RF-Vision [32.72703340013302]
  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。
  論文  参考訳（メタデータ） (2024-03-24T15:39:52Z)
• 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)
• OCHID-Fi: Occlusion-Robust Hand Pose Estimation in 3D via RF-Vision [13.818421857378015]
  3次元ポーズ推定機能を備えた最初のRF-HPE法としてOCHID-Fiを導入する。 OCHID-Fiは、スマートデバイスで広く利用可能な広帯域RFセンサーを使用して、3Dの手のポーズを探索し、障害物の背後にある骨格を抽出する。 事前訓練されたCM-HPEネットワークと同期されたCM/RFデータセットを使用して、複雑な値のRF-HPEネットワークをLoS条件下でトレーニングする。
  論文  参考訳（メタデータ） (2023-08-20T03:13:17Z)
• Pose-Oriented Transformer with Uncertainty-Guided Refinement for 2D-to-3D Human Pose Estimation [51.00725889172323]
  本研究では,3次元ポーズ推定のための不確実性ガイド付き多目的変換器(POT)を提案する。 我々はまず,人骨のトポロジーを明示的に活用するために,新しいポーズ指向の自己注意機構と距離関連位置埋め込みを開発した。 本稿では,特に難解な関節に対するPOTからのポーズ予測を洗練させるために,不確実性誘導型リファインメントネットワーク(UGRN)を提案する。
  論文  参考訳（メタデータ） (2023-02-15T00:22:02Z)
• DensePose From WiFi [86.61881052177228]
  WiFi信号の位相と振幅を24のヒト領域内の紫外線座標にマッピングするディープニューラルネットワークを開発した。 本モデルでは,複数の被験者の密集したポーズを,画像に基づくアプローチと同等の性能で推定することができる。
  論文  参考訳（メタデータ） (2022-12-31T16:48:43Z)
• AMPose: Alternately Mixed Global-Local Attention Model for 3D Human Pose Estimation [2.9823712604345993]
  本研究では,3次元ポーズ推定に向けて,関節のグローバルな関係と物理的関係を結合する新しい手法を提案する。 AMPoseでは、トランスフォーマーエンコーダが各ジョイントを他のジョイントと接続するために適用され、GCNは物理的に接続された関係に関する情報を取得するために使用される。 また,MPI-INF-3DHPデータセットを用いて,より優れた一般化能力を示す。
  論文  参考訳（メタデータ） (2022-10-09T10:10:13Z)
• Unsupervised Geodesic-preserved Generative Adversarial Networks for Unconstrained 3D Pose Transfer [84.04540436494011]
  任意の任意の任意の3次元メッシュ間のポーズ転送を行うための教師なしアプローチを提案する。 具体的には、内因性(形状)と外因性(ポーズ)の情報保存について、新規な内因性-外因性保存生成ネットワーク(IEP-GAN)を提示する。 提案手法は,最近の最先端手法と比較して,より優れた結果が得られ,より効率的である。
  論文  参考訳（メタデータ） (2021-08-17T09:08:21Z)
• Reconstructing ERP Signals Using Generative Adversarial Networks for Mobile Brain-Machine Interface [21.646490546361935]
  歩行中の事象関連電位(ERP)を用いた生成的敵ネットワークに基づく再構築フレームワークを提案する。 再建脳波の精度は歩行時の生雑音脳波信号と類似していた。 提案手法は,移動環境においても脳と機械のインタフェースに基づいて人間の意図を認識するのに役立つ。
  論文  参考訳（メタデータ） (2020-05-18T02:39:16Z)

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。