論文の概要: Through-the-Wall Radar Human Activity Recognition WITHOUT Using Neural Networks

• arxiv url: http://arxiv.org/abs/2506.05169v1
• Date: Thu, 05 Jun 2025 15:45:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-06 21:53:49.793979
• Title: Through-the-Wall Radar Human Activity Recognition WITHOUT Using Neural Networks
• Title（参考訳）: ニューラルネットワークを用いた壁面レーダの人間活動認識
• Authors: Weicheng Gao,
• Abstract要約: TWR HARタスクを達成するために、ニューラルネットワークをエスキューして、元のパスに戻りたいと思っています。 マイクロドップラーセグメンテーション機能は2次元の点雲に離散化される。 提案手法の有効性を数値シミュレーションおよび測定実験により実証した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: After a few years of research in the field of through-the-wall radar (TWR) human activity recognition (HAR), I found that we seem to be stuck in the mindset of training on radar image data through neural network models. The earliest related works in this field based on template matching did not require a training process, and I believe they have never died. Because these methods possess a strong physical interpretability and are closer to the basis of theoretical signal processing research. In this paper, I would like to try to return to the original path by attempting to eschew neural networks to achieve the TWR HAR task and challenge to achieve intelligent recognition as neural network models. In detail, the range-time map and Doppler-time map of TWR are first generated. Then, the initial regions of the human target foreground and noise background on the maps are determined using corner detection method, and the micro-Doppler signature is segmented using the multiphase active contour model. The micro-Doppler segmentation feature is discretized into a two-dimensional point cloud. Finally, the topological similarity between the resulting point cloud and the point clouds of the template data is calculated using Mapper algorithm to obtain the recognition results. The effectiveness of the proposed method is demonstrated by numerical simulated and measured experiments. The open-source code of this work is released at: https://github.com/JoeyBGOfficial/Through-the-Wall-Radar-Human-Activity-Recognition-Without-Using-Ne ural-Networks.
• Abstract（参考訳）: ここ数年、TWR( through-the-wall radar)ヒューマンアクティビティ認識(HAR)の分野で研究を重ねてきた結果、ニューラルネットワークモデルによるレーダ画像データのトレーニングの考え方に固執していることがわかりました。 テンプレートマッチングに基づくこの分野の最も初期の関連する作業は、トレーニングプロセスを必要としないため、彼らは一度も死ななかったと思います。 これらの手法は強い物理的解釈可能性を持ち、理論的な信号処理研究の基礎に近いためである。 本稿では,ニューラルネットワークを用いてTWR HARタスクを実現し,ニューラルネットワークモデルとしてのインテリジェントな認識の実現に挑戦することで,元の経路に戻ろうとする。 詳しくは、TWRのレンジタイムマップとドップラータイムマップを最初に生成する。 そして、角検出法を用いて、地図上の人的対象前景と騒音背景の初期領域を判定し、多相能動輪郭モデルを用いてマイクロドップラーシグネチャを分割する。 マイクロドップラーセグメンテーション機能は2次元の点雲に離散化される。 最後に、結果の点雲とテンプレートデータの点雲との位相的類似性をMapperアルゴリズムを用いて算出し、認識結果を得る。 提案手法の有効性を数値シミュレーションおよび測定実験により実証した。 https://github.com/JoeyBGOfficial/Through-the Wall-Radar-Human-Activity-Recognition-Without-Using-Neural-Networks。

関連論文リスト

• Generalizable Indoor Human Activity Recognition Method Based on Micro-Doppler Corner Point Cloud and Dynamic Graph Learning [12.032590125621155]
  マイクロドップラーシグネチャ抽出とインテリジェントな意思決定アルゴリズムを融合させることで、TWRによる人間の活動認識を実現することができる。 本稿では,マイクロドップラー角点雲と動的グラフ学習に基づく,一般化可能な室内人間活動認識手法を提案する。
  論文  参考訳（メタデータ） (2024-10-10T02:24:07Z)
• Deep Homography Estimation for Visual Place Recognition [49.235432979736395]
  本稿では,変換器を用いたディープホモグラフィー推定(DHE)ネットワークを提案する。 バックボーンネットワークによって抽出された濃密な特徴写像を入力とし、高速で学習可能な幾何的検証のためにホモグラフィーに適合する。 ベンチマークデータセットを用いた実験により,本手法はいくつかの最先端手法より優れていることが示された。
  論文  参考訳（メタデータ） (2024-02-25T13:22:17Z)
• Radio Map Estimation -- An Open Dataset with Directive Transmitter Antennas and Initial Experiments [49.61405888107356]
  実世界の現実的な都市地図とオープンなデータソースからの航空画像とともに、シミュレーションされた経路損失無線マップのデータセットをリリースする。 モデルアーキテクチャ,入力特徴設計,航空画像からの無線マップの推定に関する実験を行った。
  論文  参考訳（メタデータ） (2024-01-12T14:56:45Z)
• 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)
• Neural Maximum A Posteriori Estimation on Unpaired Data for Motion Deblurring [87.97330195531029]
  本稿では、ニューラルネットワークをトレーニングし、失明したデータから視覚情報や鋭いコンテンツを復元するためのニューラルネットワークの最大Aポストエリオリ(NeurMAP)推定フレームワークを提案する。 提案されたNeurMAPは、既存のデブロアリングニューラルネットワークに対するアプローチであり、未使用データセット上のイメージデブロアリングネットワークのトレーニングを可能にする最初のフレームワークである。
  論文  参考訳（メタデータ） (2022-04-26T08:09:47Z)
• A Plug-and-Play Approach to Multiparametric Quantitative MRI: Image Reconstruction using Pre-Trained Deep Denoisers [4.910318162000904]
  本稿では,先進的獲得プロセスに適応したMDFに対する反復的深層学習再構築手法を提案する。 CNNデノイザモデルは、異なるサブサンプリングパターンを持つ2つの模擬取得プロセスでテストされる。 以上の結果から, 買収方式と組織量的バイオプロパティの正確なマッピングに対する一貫した除去性能が示された。
  論文  参考訳（メタデータ） (2022-02-10T09:35:25Z)
• Keypoint Message Passing for Video-based Person Re-Identification [106.41022426556776]
  ビデオベースの人物再識別(re-ID)は、異なるカメラで捉えた人々のビデオスニペットをマッチングすることを目的とした、視覚監視システムにおいて重要な技術である。 既存の手法は主に畳み込みニューラルネットワーク(CNN)に基づいており、そのビルディングブロックは近隣のピクセルを一度に処理するか、あるいは3D畳み込みが時間情報のモデル化に使用される場合、人の動きによって生じるミスアライメントの問題に悩まされる。 本稿では,人間指向グラフ法を用いて,通常の畳み込みの限界を克服することを提案する。具体的には,人手指のキーポイントに位置する特徴を抽出し,時空間グラフとして接続する。
  論文  参考訳（メタデータ） (2021-11-16T08:01:16Z)
• Denoising IMU Gyroscopes with Deep Learning for Open-Loop Attitude Estimation [0.0]
  本稿では,慣性計測ユニット(IMU)のジャイロスコープを地中真実データを用いて識別する学習手法を提案する。 得られたアルゴリズムは、(目に見えない)テストシーケンスで最先端の処理を行う。
  論文  参考訳（メタデータ） (2020-02-25T08:04:31Z)

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。