Fugu-MT 論文翻訳(概要): RadProPoser: A Framework for Human Pose Estimation with Uncertainty Quantification from Raw Radar Data

論文の概要: RadProPoser: A Framework for Human Pose Estimation with Uncertainty Quantification from Raw Radar Data

arxiv url: http://arxiv.org/abs/2508.03578v1
Date: Tue, 05 Aug 2025 15:46:05 GMT
ステータス: 翻訳完了
システム内更新日: 2025-08-06 18:18:56.051065
Title: RadProPoser: A Framework for Human Pose Estimation with Uncertainty Quantification from Raw Radar Data
Title（参考訳）: RadProPoser:Raw Radarデータから不確かさを定量化するヒューマンポーズ推定フレームワーク
Authors: Jonas Leo Mueller, Lukas Engel, Eva Dorschky, Daniel Krauss, Ingrid Ullmann, Martin Vossiek, Bjoern M. Eskofier,
Abstract要約: 複素数値レーダテンソルを処理する確率的エンコーダデコーダアーキテクチャであるRadProPoserを紹介する。変分推論をキーポイント回帰に組み込むことで、RadProPoserは26の3次元関節位置を共同で予測する。 RadProPoserは、光学式モーションキャプチャー地上真実を用いて、45度の角度で5.678cmの6.425cmの総合平均接合位置誤差(MPJPE)を達成した。
参考スコア（独自算出の注目度）: 1.5318029014836756
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Radar-based human pose estimation (HPE) provides a privacy-preserving, illumination-invariant sensing modality but is challenged by noisy, multipath-affected measurements. We introduce RadProPoser, a probabilistic encoder-decoder architecture that processes complex-valued radar tensors from a compact 3-transmitter, 4-receiver MIMO radar. By incorporating variational inference into keypoint regression, RadProPoser jointly predicts 26 three-dimensional joint locations alongside heteroscedastic aleatoric uncertainties and can be recalibrated to predict total uncertainty. We explore different probabilistic formulations using both Gaussian and Laplace distributions for latent priors and likelihoods. On our newly released dataset with optical motion-capture ground truth, RadProPoser achieves an overall mean per-joint position error (MPJPE) of 6.425 cm, with 5.678 cm at the 45 degree aspect angle. The learned uncertainties exhibit strong alignment with actual pose errors and can be calibrated to produce reliable prediction intervals, with our best configuration achieving an expected calibration error of 0.021. As an additional demonstration, sampling from these latent distributions enables effective data augmentation for downstream activity classification, resulting in an F1 score of 0.870. To our knowledge, this is the first end-to-end radar tensor-based HPE system to explicitly model and quantify per-joint uncertainty from raw radar tensor data, establishing a foundation for explainable and reliable human motion analysis in radar applications.
Abstract（参考訳）: レーダに基づく人間のポーズ推定(HPE)は、プライバシーを保護し、照度に不変な知覚モダリティを提供するが、ノイズの多いマルチパスの影響のある測定によって挑戦される。本稿では,コンパクトな3送信4受信MIMOレーダから複雑な値のレーダテンソルを処理する確率的エンコーダデコーダアーキテクチャであるRadProPoserを紹介する。変分推論をキーポイント回帰に組み込むことで、RadProPoserは26の3次元関節位置をヘテロセダスティックなアレタリックな不確実性と共に予測し、完全な不確実性を予測するために再検討することができる。我々はガウス分布とラプラス分布の両方を用いて、潜伏前と可能性の異なる確率的定式化を探索する。 RadProPoserは、光学式モーションキャプチャ地上真実を用いた新しいデータセットにおいて、45度の角度で5.678cmの6.425cmの全体平均結合位置誤差(MPJPE)を達成する。学習された不確実性は実際のポーズエラーと強く一致し、信頼性の高い予測間隔を生成するためにキャリブレーションが可能であり、我々の最適構成は0.021のキャリブレーション誤差を達成する。さらに、これらの潜伏分布からのサンプリングにより、下流のアクティビティ分類に有効なデータ拡張が可能となり、F1スコアは0.870となった。我々の知る限り、これはレーダーテンソルデータから結合間不確実性を明示的にモデル化し定量化する最初のエンドツーエンドのレーダテンソルベースのHPEシステムであり、レーダアプリケーションにおける説明可能かつ信頼性の高い人体動作解析の基礎を確立している。

関連論文リスト

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)
RobuRCDet: Enhancing Robustness of Radar-Camera Fusion in Bird's Eye View for 3D Object Detection [68.99784784185019]
暗い照明や悪天候はカメラの性能を低下させる。レーダーは騒音と位置のあいまいさに悩まされる。本稿では,BEVの頑健な物体検出モデルであるRobuRCDetを提案する。
論文参考訳（メタデータ） (2025-02-18T17:17:38Z)
Bayesian Approximation-Based Trajectory Prediction and Tracking with 4D Radar [13.438311878715536]
3Dマルチオブジェクトトラッキング(MOT)は自動運転車には不可欠だが、LiDARとカメラベースの手法は悪天候下では劣化する。本研究では,4次元レーダベースMOTフレームワークであるBayes-4DRTrackを提案する。
論文参考訳（メタデータ） (2025-02-03T13:49:21Z)
RaCFormer: Towards High-Quality 3D Object Detection via Query-based Radar-Camera Fusion [58.77329237533034]
本稿では3次元物体検出の精度を高めるために,Raar-Camera fusion transformer (RaCFormer)を提案する。 RaCFormerは、nuScenesデータセット上で64.9% mAPと70.2%の優れた結果を得る。
論文参考訳（メタデータ） (2024-12-17T09:47:48Z)
RT-Pose: A 4D Radar Tensor-based 3D Human Pose Estimation and Localization Benchmark [20.186044032530557]
本稿では,Radarベースのヒューマンポーズ(RT-Pose)データセットとオープンソースのベンチマークフレームワークを提案する。 RT-Poseデータセットは、4Dレーダテンソル、LiDARポイントクラウド、RGBイメージで構成されており、6つの複雑さレベルアクションを持つ240のシーケンスにわたる合計72kフレームに対して収集される。 RGB画像とLiDAR点雲を用いて3次元人間の骨格を正確にラベル付けするアノテーションプロセスを開発する。さらに,3次元空間における4次元レーダーテンソルの高分解能表現を抽出し,人間のキーポイント推定を支援する最初の単一ステージアーキテクチャであるHRRadarPoseを提案する。
論文参考訳（メタデータ） (2024-07-18T22:46:35Z)
ProbRadarM3F: mmWave Radar based Human Skeletal Pose Estimation with Probability Map Guided Multi-Format Feature Fusion [13.31263228075263]
本稿では,確率マップによるマルチフォーマット特徴融合モデルProbRadarM3Fを提案する。 ProbRadarM3Fは従来のヒートマップの特徴と位置特徴を融合させ、効果的に14個の人体のキーポイントを推定する。
論文参考訳（メタデータ） (2024-05-08T15:54:57Z)
Quantifying Uncertainty in Motion Prediction with Variational Bayesian Mixture [17.78048571619575]
安全と堅牢性は、信頼できる自動運転車を開発する上で重要な要素である。本研究では,1つの移動物体に対する将来の軌跡の分布を記述する生成モデルSeNeVAを提案する。提案手法は,不確実性を定量化し,競争性能を向上しつつ,アウト・オブ・ディストリビューションデータを識別することができる。
論文参考訳（メタデータ） (2024-04-04T20:04:12Z)
GPS-Gaussian: Generalizable Pixel-wise 3D Gaussian Splatting for Real-time Human Novel View Synthesis [70.24111297192057]
我々は、文字の新たなビューをリアルタイムに合成するための新しいアプローチ、GPS-Gaussianを提案する。提案手法は,スパースビューカメラ設定下での2K解像度のレンダリングを可能にする。
論文参考訳（メタデータ） (2023-12-04T18:59:55Z)
Uncertainty-Aware AB3DMOT by Variational 3D Object Detection [74.8441634948334]
不確実性推定は統計的に正確な予測を提供する効果的なツールである。本稿では,変分ニューラルネットワークを用いたTANet 3Dオブジェクト検出器を提案し,不確実性のある3Dオブジェクト検出を行う。
論文参考訳（メタデータ） (2023-02-12T14:30:03Z)
RaLiBEV: Radar and LiDAR BEV Fusion Learning for Anchor Box Free Object Detection Systems [13.046347364043594]
自動運転では、LiDARとレーダーは環境認識に不可欠である。最近の最先端の研究は、レーダーとLiDARの融合が悪天候の堅牢な検出につながることを明らかにしている。鳥眼ビュー融合学習に基づくアンカーボックスフリー物体検出システムを提案する。
論文参考訳（メタデータ） (2022-11-11T10:24:42Z)
Uncertainty-Aware Camera Pose Estimation from Points and Lines [101.03675842534415]
Perspective-n-Point-and-Line (Pn$PL) は、2D-3D特徴座標の3Dモデルに関して、高速で正確で堅牢なカメラローカライゼーションを目指している。
論文参考訳（メタデータ） (2021-07-08T15:19:36Z)

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。