論文の概要: mmFlux: Crowd Flow Analytics with Commodity mmWave MIMO Radar
- arxiv url: http://arxiv.org/abs/2507.07331v1
- Date: Wed, 09 Jul 2025 23:11:14 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-11 16:40:15.227686
- Title: mmFlux: Crowd Flow Analytics with Commodity mmWave MIMO Radar
- Title（参考訳）: mmFlux:commodity mmWave MIMO Radarによるクラウドフロー分析
- Authors: Anurag Pallaprolu, Winston Hurst, Yasamin Mostofi,
- Abstract要約: 我々は,mmWaveレーダを用いた群集運動パターン抽出のための新しい枠組みを提案する。
我々は、コモディティmmWaveレーダを用いて、3つのエリアにまたがる最大20人の群衆に対して21の実験を行う。
本フレームワークは,複雑な群集パターンであっても,基礎となるフロー構造の高忠実度グラフ再構成を実現する。
- 参考スコア（独自算出の注目度）: 6.158335700406303
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In this paper, we present a novel framework for extracting underlying crowd motion patterns and inferring crowd semantics using mmWave radar. First, our proposed signal processing pipeline combines optical flow estimation concepts from vision with novel statistical and morphological noise filtering to generate high-fidelity mmWave flow fields - compact 2D vector representations of crowd motion. We then introduce a novel approach that transforms these fields into directed geometric graphs, where edges capture dominant flow currents, vertices mark crowd splitting or merging, and flow distribution is quantified across edges. Finally, we show that by analyzing the local Jacobian and computing the corresponding curl and divergence, we can extract key crowd semantics for both structured and diffused crowds. We conduct 21 experiments on crowds of up to (and including) 20 people across 3 areas, using commodity mmWave radar. Our framework achieves high-fidelity graph reconstruction of the underlying flow structure, even for complex crowd patterns, demonstrating strong spatial alignment and precise quantitative characterization of flow split ratios. Finally, our curl and divergence analysis accurately infers key crowd semantics, e.g., abrupt turns, boundaries where flow directions shift, dispersions, and gatherings. Overall, these findings validate our framework, underscoring its potential for various crowd analytics applications.
- Abstract（参考訳）: 本稿では,基礎となる群集運動パターンを抽出し,mWaveレーダを用いて群集の意味を推定するための新しい枠組みを提案する。
提案した信号処理パイプラインは、視覚からの光フロー推定の概念と、新しい統計的および形態的ノイズフィルタリングを組み合わせ、高忠実度mm波流場、すなわち群衆運動のコンパクトな2次元ベクトル表現を生成する。
次に、これらのフィールドを有向幾何学グラフに変換する新しいアプローチを導入し、エッジが支配的な流れを捉え、頂点が群衆の分裂や合流をマークし、エッジ間のフロー分布を定量化する。
最後に,局所的ヤコビアンを解析し,対応するカールと発散を計算することにより,構造化群と拡散群の両方に対して重要な群集意味を抽出できることを示す。
私たちは、コモディティmmWaveレーダを使用して、3つのエリアにまたがる20人までの群衆に対して、21の実験を行います。
本フレームワークは, 複雑な群集パターンであっても, 流動構造の高忠実度グラフ再構成を実現し, 空間的アライメントが強く, 流量分割比の高精度な定量的評価を行う。
最後に、カールと発散解析は、例えば、突然の回転、流れ方向が変化する境界、分散、集合といった重要な群集の意味を正確に推測する。
全体として、これらの知見は我々のフレームワークを検証し、様々なクラウド分析アプリケーションの可能性を強調している。
関連論文リスト
- Graph Flow Matching: Enhancing Image Generation with Neighbor-Aware Flow Fields [7.435063833417364]
フローマッチングはサンプル生成を,データにノイズを伝達する連続時間速度場学習として使用する。
学習速度を反応項に分解する軽量な拡張であるグラフフローマッチングを提案する。
事前訓練された変分オートエンコーダの潜伏空間で作動する。
論文 参考訳（メタデータ） (2025-05-30T10:17:50Z) - Mesh Denoising Transformer [104.5404564075393]
Mesh Denoisingは、入力メッシュからノイズを取り除き、特徴構造を保存することを目的としている。
SurfaceFormerはTransformerベースのメッシュDenoisingフレームワークのパイオニアだ。
局所曲面記述子(Local Surface Descriptor)として知られる新しい表現は、局所幾何学的複雑さをキャプチャする。
Denoising Transformerモジュールは、マルチモーダル情報を受信し、効率的なグローバル機能アグリゲーションを実現する。
論文 参考訳（メタデータ） (2024-05-10T15:27:43Z) - Revealing Decurve Flows for Generalized Graph Propagation [108.80758541147418]
本研究は,有向グラフと重み付きグラフを用いて,m文を一般化した伝播を定義することによって,従来のメッセージパッシング(中心からグラフ学習)の限界に対処する。
この分野ではじめて、データセットにおける学習された伝播パターンの予備的な探索を含む。
論文 参考訳（メタデータ） (2024-02-13T14:13:17Z) - Exploring Straighter Trajectories of Flow Matching with Diffusion
Guidance [66.4153984834872]
フローマッチング(StraightFM)のストレートトラジェクトリを提案する。
分布レベル全体から拡散モデルによって導かれる結合戦略により軌道を直線化する。
拡散法と従来のフローマッチング法の間で、FIDが低い視覚的に魅力的な画像を生成する。
論文 参考訳（メタデータ） (2023-11-28T06:19:30Z) - GAFlow: Incorporating Gaussian Attention into Optical Flow [62.646389181507764]
我々はガウス的注意(GA)を光学フローモデルに押し込み、表現学習中に局所特性をアクセントする。
本稿では,既存の Transformer ブロックに簡単に接続可能な新しい Gaussian-Constrained Layer (GCL) を提案する。
動作解析のための新しいガウス誘導注意モジュール(GGAM)を提供する。
論文 参考訳（メタデータ） (2023-09-28T07:46:01Z) - Frame Interpolation for Dynamic Scenes with Implicit Flow Encoding [10.445563506186307]
本稿では,動的シーンの2対のイメージ間を補間するアルゴリズムを提案する。
我々は、照明の変動に対して非常に頑健な既存の光学フロー手法を利用する。
我々の手法は、最先端のフレームブレンディングアルゴリズムよりもはるかに優れた結果が得られる。
論文 参考訳（メタデータ） (2022-09-27T10:00:05Z) - Crowd Counting via Perspective-Guided Fractional-Dilation Convolution [75.36662947203192]
本稿では,PFDNetと呼ばれる新しい畳み込みニューラルネットワークを用いた群集カウント手法を提案する。
連続スケールの変動をモデル化することにより、提案したPFDNetは、異なる空間位置に対応するための適切な分数拡張カーネルを選択することができる。
これは、個々の代表スケールのみを考慮した最先端技術の柔軟性を著しく向上させる。
論文 参考訳（メタデータ） (2021-07-08T07:57:00Z) - FDNet: A Deep Learning Approach with Two Parallel Cross Encoding
Pathways for Precipitation Nowcasting [7.0521806281607615]
2つの並列クロス経路で流れと変形をモデル化するニューラルネットワークであるフロー変形ネットワーク(FDNet)を紹介します。
提案するネットワークアーキテクチャを2つの実世界のレーダーエコーデータセット上で評価する。
論文 参考訳（メタデータ） (2021-05-06T11:18:24Z) - Equivariant Spherical Deconvolution: Learning Sparse Orientation
Distribution Functions from Spherical Data [0.0]
本稿では,単位球面上で定義される非負スカラー場のスパースデコンボリューションのための回転等価非監視学習フレームワークを提案する。
人体のマルチシェルデータセットにおけるトラクトグラフィーと部分体積推定の改善について述べる。
論文 参考訳（メタデータ） (2021-02-17T16:04:35Z) - Adaptive Context-Aware Multi-Modal Network for Depth Completion [107.15344488719322]
我々は,観測された空間コンテキストを捉えるために,グラフ伝搬を採用することを提案する。
次に、注意機構を伝搬に適用し、ネットワークが文脈情報を適応的にモデル化することを奨励する。
最後に、抽出したマルチモーダル特徴を効果的に活用するための対称ゲート融合戦略を導入する。
本稿では,Adaptive Context-Aware Multi-Modal Network (ACMNet) を2つのベンチマークで評価した。
論文 参考訳（メタデータ） (2020-08-25T06:00:06Z)
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。