論文の概要: PECL: A Heterogeneous Parallel Multi-Domain Network for Radar-Based Human Activity Recognition

• arxiv url: http://arxiv.org/abs/2511.05039v1
• Date: Fri, 07 Nov 2025 07:22:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-10 21:00:44.700767
• Title: PECL: A Heterogeneous Parallel Multi-Domain Network for Radar-Based Human Activity Recognition
• Title（参考訳）: PECL:レーダに基づく人間活動認識のための異種並列マルチドメインネットワーク
• Authors: Jiuqi Yan, Chendong Xu, Dongyu Liu,
• Abstract要約: 本研究では3つの補完領域(Range-Time, Doppler-Time, Range-Doppler)でデータを処理するネットワークを設計する。 実験の結果、PECLは同じデータセットで96.16%の精度を達成し、既存の手法を少なくとも4.78%上回った。 その性能にもかかわらず、PECLは23.42Mパラメータと1324.82M FLOPを持つ中程度のモデルの複雑さを維持している。
• 参考スコア（独自算出の注目度）: 4.637823044029562
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Radar systems are increasingly favored for medical applications because they provide non-intrusive monitoring with high privacy and robustness to lighting conditions. However, existing research typically relies on single-domain radar signals and overlooks the temporal dependencies inherent in human activity, which complicates the classification of similar actions. To address this issue, we designed the Parallel-EfficientNet-CBAM-LSTM (PECL) network to process data in three complementary domains: Range-Time, Doppler-Time, and Range-Doppler. PECL combines a channel-spatial attention module and temporal units to capture more features and dynamic dependencies during action sequences, improving both accuracy and robustness. The experimental results show that PECL achieves an accuracy of 96.16% on the same dataset, outperforming existing methods by at least 4.78%. PECL also performs best in distinguishing between easily confused actions. Despite its strong performance, PECL maintains moderate model complexity, with 23.42M parameters and 1324.82M FLOPs. Its parameter-efficient design further reduces computational cost.
• Abstract（参考訳）: レーダシステムは、高いプライバシーと照明条件に対する堅牢性を備えた非侵襲的な監視を提供するため、医療用途にますます好まれている。 しかし、既存の研究は通常、単一ドメインのレーダー信号に依存し、人間の活動に固有の時間的依存関係を見落とし、同様の行動の分類を複雑にしている。 この問題に対処するため,Parallel-EfficientNet-CBAM-LSTM(PECL)ネットワークを設計し,3つの補完領域(Range-Time,Dopple-Time,Range-Doppler)でデータを処理した。 PECLはチャネル空間アテンションモジュールと時間ユニットを組み合わせて、アクションシーケンス中により多くの特徴と動的依存関係をキャプチャし、正確性と堅牢性の両方を改善する。 実験の結果、PECLは同じデータセット上で96.16%の精度を達成し、既存の手法を少なくとも4.78%上回る結果となった。 PECLはまた、容易に混乱した動作を区別する上でも最善を尽くす。 その性能にもかかわらず、PECLは23.42Mパラメータと1324.82M FLOPを持つ中程度のモデルの複雑さを維持している。 そのパラメータ効率設計により、計算コストはさらに削減される。

関連論文リスト

• Multi-Agent Reinforcement Learning for Sample-Efficient Deep Neural Network Mapping [54.65536245955678]
  本稿では,サンプル非効率性の課題を克服するために,分散型マルチエージェント強化学習(MARL)フレームワークを提案する。 相関解析に基づいて類似のマッピングパラメータを同一エージェントに割り当てるエージェントクラスタリングアルゴリズムを提案する。 実験の結果,MARL法は標準単エージェントRLよりも30～300倍効率が向上した。
  論文  参考訳（メタデータ） (2025-07-22T05:51:07Z)
• USAD: End-to-End Human Activity Recognition via Diffusion Model with Spatiotemporal Attention [8.061018589897277]
  人間の活動認識は、健康モニタリング、安全保護、スポーツ分析に幅広い応用を見出すタスクである。 研究の進展にもかかわらず、ヒトの活動認識は、稀な活動のためのラベル付きサンプルの不足など、依然として重要な課題に直面している。 本稿では,マルチアテンション相互作用機構に着目した包括的な最適化手法を提案する。
  論文  参考訳（メタデータ） (2025-07-03T17:38:44Z)
• R-Sparse: Rank-Aware Activation Sparsity for Efficient LLM Inference [77.47238561728459]
  R-スパース(R-Sparse)は、高度なLCMにおいて高い疎度を達成できる訓練不要なアクティベーション・スパシティ・アプローチである。 10種類のタスクにわたるLlama-2/3およびMistralモデルの実験は、R-Sparseが50%のモデルレベルの間隔で同等のパフォーマンスを達成することを示した。
  論文  参考訳（メタデータ） (2025-04-28T03:30:32Z)
• Cross Space and Time: A Spatio-Temporal Unitized Model for Traffic Flow Forecasting [16.782154479264126]
  時間的要因間の複雑な相互作用により、バックボーン・時間的トラフィックフローを予測することが課題となる。 既存のアプローチでは、これらの次元を分離し、重要な相互依存を無視している。 本稿では,空間的および時間的依存関係の両方をキャプチャする統合フレームワークであるSanonymous-Temporal Unitized Unitized Cell (ASTUC)を紹介する。
  論文  参考訳（メタデータ） (2024-11-14T07:34:31Z)
• EffiCANet: Efficient Time Series Forecasting with Convolutional Attention [12.784289506021265]
  EffiCANetは計算効率を維持しながら予測精度を向上させるように設計されている。 EffiCANetは最先端モデルに対するMAEの最大10.02%の削減を実現している。
  論文  参考訳（メタデータ） (2024-11-07T12:54:42Z)
• DA-Flow: Dual Attention Normalizing Flow for Skeleton-based Video Anomaly Detection [52.74152717667157]
  本稿では,DAM(Dual Attention Module)と呼ばれる軽量モジュールを提案する。 フレームアテンション機構を使用して、最も重要なフレームを識別し、スケルトンアテンション機構を使用して、最小パラメータとフロップで固定されたパーティション間の広範な関係をキャプチャする。
  論文  参考訳（メタデータ） (2024-06-05T06:18:03Z)
• HARMamba: Efficient and Lightweight Wearable Sensor Human Activity Recognition Based on Bidirectional Mamba [7.412537185607976]
  ウェアラブルセンサーによる人間の活動認識(HAR)は、活動知覚において重要な研究領域である。 HARMambaは、選択的な双方向状態空間モデルとハードウェア対応設計を組み合わせた、革新的な軽量で多用途なHARアーキテクチャである。 HarMambaは現代の最先端フレームワークより優れており、計算とメモリの要求を大幅に削減し、同等またはより良い精度を提供する。
  論文  参考訳（メタデータ） (2024-03-29T13:57:46Z)
• UNETR++: Delving into Efficient and Accurate 3D Medical Image Segmentation [93.88170217725805]
  本稿では,高画質なセグメンテーションマスクと,パラメータ,計算コスト,推論速度の両面での効率性を提供するUNETR++という3次元医用画像セグメンテーション手法を提案する。 我々の設計の核となるのは、空間的およびチャネル的な識別的特徴を効率的に学習する、新しい効率的な対注意ブロック(EPA)の導入である。 Synapse, BTCV, ACDC, BRaTs, Decathlon-Lungの5つのベンチマークで評価した結果, 効率と精度の両面で, コントリビューションの有効性が示された。
  論文  参考訳（メタデータ） (2022-12-08T18:59:57Z)

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。