論文の概要: Exploration of Low-Cost but Accurate Radar-Based Human Motion Direction Determination

• arxiv url: http://arxiv.org/abs/2507.22567v1
• Date: Wed, 30 Jul 2025 10:48:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-31 16:14:18.160578
• Title: Exploration of Low-Cost but Accurate Radar-Based Human Motion Direction Determination
• Title（参考訳）: 低コストで高精度なレーダによる人体動作方向決定の探索
• Authors: Weicheng Gao,
• Abstract要約: 本稿では, 低コストだが高精度なレーダーによる人体動方向決定法について検討する。 HMDDは、軽量で高速なVision Transformer-Convolutional Neural Networkハイブリッドモデル構造によって実装されている。 提案手法の有効性は,オープンソースデータセットを用いて検証する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This work is completed on a whim after discussions with my junior colleague. The motion direction angle affects the micro-Doppler spectrum width, thus determining the human motion direction can provide important prior information for downstream tasks such as gait recognition. However, Doppler-Time map (DTM)-based methods still have room for improvement in achieving feature augmentation and motion determination simultaneously. In response, a low-cost but accurate radar-based human motion direction determination (HMDD) method is explored in this paper. In detail, the radar-based human gait DTMs are first generated, and then the feature augmentation is achieved using feature linking model. Subsequently, the HMDD is implemented through a lightweight and fast Vision Transformer-Convolutional Neural Network hybrid model structure. The effectiveness of the proposed method is verified through open-source dataset. The open-source code of this work is released at: https://github.com/JoeyBGOfficial/Low-Cost-Accurate-Radar-Based-Human-Motion-Direction-Determination .
• Abstract（参考訳）: この仕事は私の若い同僚との話し合いの後、気まぐれに完成します。 動き方向角はマイクロドップラースペクトル幅に影響を与えるため、人間の動き方向を決定することは、歩行認識などの下流タスクに重要な事前情報を提供することができる。 しかし,ドップラー・タイム・マップ(DTM)に基づく手法では,特徴増強と動作決定を同時に達成する余地がまだ残っている。 本報告では, 低コストかつ高精度な人体動方向決定法(HMDD)について述べる。 詳細は、レーダベースの人間の歩行DTMを最初に生成し、それから特徴リンクモデルを用いて特徴増強を実現する。 その後、HMDDは軽量かつ高速なVision Transformer-Convolutional Neural Networkハイブリッドモデル構造によって実装される。 提案手法の有効性は,オープンソースデータセットを用いて検証する。 この作業のオープンソースコードは、https://github.com/JoeyBGOfficial/Low-Cost-Accurate-Radar-Based-Human-Motion-Direction-Determination で公開されている。

関連論文リスト

• Through-the-Wall Radar Human Activity Recognition WITHOUT Using Neural Networks [0.0]
  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。
  論文  参考訳（メタデータ） (2025-06-05T15:45:08Z)
• TacoDepth: Towards Efficient Radar-Camera Depth Estimation with One-stage Fusion [54.46664104437454]
  一段核融合を用いた効率的かつ正確なレーダ・カメラ深度推定モデルであるTacoDepthを提案する。 具体的には、グラフベースのRadar構造抽出器とピラミッドベースのRadar融合モジュールを設計する。 従来の最先端のアプローチと比較して、TacoDepthは深さ精度と処理速度を12.8%、91.8%改善している。
  論文  参考訳（メタデータ） (2025-04-16T05:25:04Z)
• 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)
• Through-the-Wall Radar Human Activity Micro-Doppler Signature Representation Method Based on Joint Boulic-Sinusoidal Pendulum Model [22.320147097092416]
  本稿では,Bulic-Sinusoidal pendulum 動作モデルに基づく人間活動型マイクロドップラーシグネチャ表現法を提案する。 またドップラー情報とマイクロドップラー情報を記述するのに必要なキーポイントの最小数を十分に計算する。
  論文  参考訳（メタデータ） (2024-08-22T02:33:29Z)
• 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)
• UnLoc: A Universal Localization Method for Autonomous Vehicles using LiDAR, Radar and/or Camera Input [51.150605800173366]
  UnLocは、全ての気象条件におけるマルチセンサー入力によるローカライズのための、新しい統一型ニューラルネットワークアプローチである。 本手法は,Oxford Radar RobotCar,Apollo SouthBay,Perth-WAの各データセットで広く評価されている。
  論文  参考訳（メタデータ） (2023-07-03T04:10:55Z)
• HuPR: A Benchmark for Human Pose Estimation Using Millimeter Wave Radar [30.51398364813315]
  本稿では,ミリ波レーダを用いた人間のポーズ推定ベンチマーク「Human Pose with Millimeter Wave Radar (HuPR)」を紹介する。 このデータセットは、レーダに基づく人間のポーズ推定のクロスモダリティトレーニングのために、クロスキャリブレーションされたmmWaveレーダセンサとモノクラーRGBカメラを用いて作成される。
  論文  参考訳（メタデータ） (2022-10-22T22:28:40Z)
• LiDARCap: Long-range Marker-less 3D Human Motion Capture with LiDAR Point Clouds [58.402752909624716]
  既存のモーションキャプチャデータセットはほとんどが短距離であり、まだ長距離アプリケーションのニーズに合わない。 我々は,この制限を克服するために,LiDARがより長い範囲で捉えた新しい人間のモーションキャプチャーデータセットLiDARHuman26Mを提案する。 我々のデータセットには、IMUシステムによって取得された人間の動きと同期RGB画像も含まれている。
  論文  参考訳（メタデータ） (2022-03-28T12:52:45Z)
• CubeLearn: End-to-end Learning for Human Motion Recognition from Raw mmWave Radar Signals [40.53874877651099]
  mmWave FMCWレーダーは近年、人間中心の応用に多大な研究関心を集めている。 既存のパイプラインのほとんどは、従来のDFT前処理とディープニューラルネットワークハイブリッド方式に基づいて構築されている。 生のレーダ信号から特徴を直接抽出する学習可能な前処理モジュールであるCubeLearnを提案する。
  論文  参考訳（メタデータ） (2021-11-07T00:45:51Z)
• RadarNet: Exploiting Radar for Robust Perception of Dynamic Objects [73.80316195652493]
  我々は、自動運転車の文脈における認識のためにRadarを利用する問題に取り組む。 我々は、LiDARとRadarの両方のセンサーを知覚に利用した新しいソリューションを提案する。 RadarNetと呼ばれる我々のアプローチは、ボクセルベースの早期核融合と注意に基づく後期核融合を特徴としている。
  論文  参考訳（メタデータ） (2020-07-28T17:15:02Z)

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。