論文の概要: SSSUMO: Real-Time Semi-Supervised Submovement Decomposition

• arxiv url: http://arxiv.org/abs/2507.08028v1
• Date: Tue, 08 Jul 2025 21:26:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-14 18:03:54.105926
• Title: SSSUMO: Real-Time Semi-Supervised Submovement Decomposition
• Title（参考訳）: SSSUMO: リアルタイム半減期分割
• Authors: Evgenii Rudakov, Jonathan Shock, Otto Lappi, Benjamin Ultan Cowley,
• Abstract要約: 運動分析は、運動制御に関する貴重な洞察を提供する。 既存の手法は、復元精度、計算コスト、検証に苦慮している。 半教師付き学習フレームワークを用いて,これらの課題に対処する。
• 参考スコア（独自算出の注目度）: 0.6499759302108926
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper introduces a SSSUMO, semi-supervised deep learning approach for submovement decomposition that achieves state-of-the-art accuracy and speed. While submovement analysis offers valuable insights into motor control, existing methods struggle with reconstruction accuracy, computational cost, and validation, due to the difficulty of obtaining hand-labeled data. We address these challenges using a semi-supervised learning framework. This framework learns from synthetic data, initially generated from minimum-jerk principles and then iteratively refined through adaptation to unlabeled human movement data. Our fully convolutional architecture with differentiable reconstruction significantly surpasses existing methods on both synthetic and diverse human motion datasets, demonstrating robustness even in high-noise conditions. Crucially, the model operates in real-time (less than a millisecond per input second), a substantial improvement over optimization-based techniques. This enhanced performance facilitates new applications in human-computer interaction, rehabilitation medicine, and motor control studies. We demonstrate the model's effectiveness across diverse human-performed tasks such as steering, rotation, pointing, object moving, handwriting, and mouse-controlled gaming, showing notable improvements particularly on challenging datasets where traditional methods largely fail. Training and benchmarking source code, along with pre-trained model weights, are made publicly available at https://github.com/dolphin-in-a-coma/sssumo.
• Abstract（参考訳）: 本稿では,半教師付き深層学習手法であるSSSUMOを導入し,最先端の精度と高速化を実現する。 サブムーブメント分析は、モータ制御に関する貴重な知見を提供する一方で、既存の手法は手書きデータの取得が困難であるため、復元精度、計算コスト、検証に苦慮している。 半教師付き学習フレームワークを用いて,これらの課題に対処する。 このフレームワークは、まず最小のジェット原理から生成された合成データから学び、次にラベルのない人間の動きデータに適応することで反復的に洗練される。 我々の完全畳み込み型アーキテクチャは、合成と多種多様な人間の動作データセットの既存の手法をはるかに上回り、高雑音条件においても堅牢性を示す。 重要なことに、このモデルは(入力毎秒1ミリ秒未満の)リアルタイムに動作しており、最適化ベースの技術よりも大幅に改善されている。 この性能の向上は、人間とコンピュータの相互作用、リハビリテーション医療、運動制御研究における新しい応用を促進する。 我々は、ステアリング、ローテーション、ポインティング、オブジェクト移動、手書き、マウス制御ゲームなど、さまざまな人為的タスクにおけるモデルの有効性を実証し、従来の手法がほとんど失敗する挑戦的なデータセットにおいて特に顕著な改善を示す。 トレーニングとベンチマークのソースコードと事前トレーニングされたモデルの重み付けはhttps://github.com/dolphin-in-a-coma/sssumo.comで公開されている。

関連論文リスト

• Smooth-Distill: A Self-distillation Framework for Multitask Learning with Wearable Sensor Data [0.0]
  本稿では,人間の活動認識(HAR)とセンサ配置検出を同時に行うように設計された,新しい自己蒸留フレームワークであるSmooth-Distillを紹介する。 従来の蒸留法とは異なり, 提案手法では, モデル自体のスムーズな歴史バージョンを教師として利用している。 実験結果から,Smooth-Distill は異なる評価シナリオにおける代替手法よりも一貫して優れていた。
  論文  参考訳（メタデータ） (2025-06-27T06:51:51Z)
• Reinforced Interactive Continual Learning via Real-time Noisy Human Feedback [59.768119380109084]
  本稿では,AIモデルがリアルタイムフィードバックから新たなスキルを動的に学習する対話型連続学習パラダイムを提案する。 大規模言語モデル(LLM)を活用した強化型対話型連続学習フレームワークRiCLを提案する。 我々のRiCLアプローチは、最先端のオンライン連続学習とノイズラベル学習の既存の組み合わせを大幅に上回っている。
  論文  参考訳（メタデータ） (2025-05-15T03:22:03Z)
• Attribute-Based Robotic Grasping with Data-Efficient Adaptation [19.683833436076313]
  属性に基づくロボットグルーピングを学習するエンド・ツー・エンドのエンコーダ・デコーダネットワークを提案する。 提案手法は,未知のオブジェクトに対して,成功率を81%以上獲得する。
  論文  参考訳（メタデータ） (2025-01-04T00:37:17Z)
• Learning Low-Dimensional Strain Models of Soft Robots by Looking at the Evolution of Their Shape with Application to Model-Based Control [2.058941610795796]
  本稿では,低次元物理モデル学習のための合理化手法を提案する。 各種平面ソフトマニピュレータを用いたシミュレーションにより,本手法の有効性を検証した。 物理的に互換性のあるモデルを生成する方法のおかげで、学習したモデルはモデルベースの制御ポリシーと簡単に組み合わせることができる。
  論文  参考訳（メタデータ） (2024-10-31T18:37:22Z)
• Learning Generalizable Human Motion Generator with Reinforcement Learning [95.62084727984808]
  テキスト駆動型ヒューマンモーション生成は、コンピュータ支援コンテンツ作成において重要なタスクの1つである。 既存の方法は訓練データ中の特定の動作表現に過度に適合することが多く、一般化する能力を妨げている。 一般化可能なヒューマンモーション生成のための強化学習において,パスとエラーのパラダイムを取り入れた textbfInstructMotion を提案する。
  論文  参考訳（メタデータ） (2024-05-24T13:29:12Z)
• Towards Robust Dataset Learning [90.2590325441068]
  本稿では,頑健なデータセット学習問題を定式化するための三段階最適化法を提案する。 ロバストな特徴と非ロバストな特徴を特徴付ける抽象モデルの下で,提案手法はロバストなデータセットを確実に学習する。
  論文  参考訳（メタデータ） (2022-11-19T17:06:10Z)
• Real-to-Sim: Predicting Residual Errors of Robotic Systems with Sparse Data using a Learning-based Unscented Kalman Filter [65.93205328894608]
  我々は,動的・シミュレータモデルと実ロボット間の残差を学習する。 学習した残差誤差により、動的モデル、シミュレーション、および実際のハードウェア間の現実的ギャップをさらに埋めることができることを示す。
  論文  参考訳（メタデータ） (2022-09-07T15:15:12Z)
• Learning from Temporal Spatial Cubism for Cross-Dataset Skeleton-based Action Recognition [88.34182299496074]
  アクションラベルはソースデータセットでのみ利用可能だが、トレーニング段階のターゲットデータセットでは利用できない。 我々は,2つの骨格に基づく行動データセット間の領域シフトを低減するために,自己スーパービジョン方式を利用する。 時間的セグメントや人体部分のセグメンテーションとパーフォーミングにより、我々は2つの自己教師あり学習分類タスクを設計する。
  論文  参考訳（メタデータ） (2022-07-17T07:05:39Z)
• Transformer Inertial Poser: Attention-based Real-time Human Motion Reconstruction from Sparse IMUs [79.72586714047199]
  本研究では,6つのIMUセンサからリアルタイムに全体動作を再構築する,注意に基づく深層学習手法を提案する。 提案手法は, 実装が簡単で, 小型でありながら, 定量的かつ質的に新しい結果が得られる。
  論文  参考訳（メタデータ） (2022-03-29T16:24:52Z)
• Learning to Fit Morphable Models [12.469605679847085]
  学習最適化の最近の進歩の上に構築し、古典的なレバンス・マルカルトアルゴリズムに触発された更新ルールを提案する。 本稿では,頭部装着装置による3次元体表面推定問題と2次元ランドマークによる顔の嵌合性に対するニューラルネットワークの有効性を示す。
  論文  参考訳（メタデータ） (2021-11-29T18:59:53Z)

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。