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
• 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

• Memory-Augmented LSTM Autoencoder for Unsupervised Activity Recognition with IMU Sensor Fusion [0.0]
  メモリ拡張オートエンコーダを用いた完全教師なし機能融合フレームワークを提案する。 短時間の時間的マルチセンサーデータによるアクティビティ表現を強化し、リアルタイムアプリケーションを可能にする。 本手法は,時間窓が短いにもかかわらず,特徴分離性を最大9%改善する。
  論文  参考訳（メタデータ） (2026-06-19T06:28:20Z)
• EEVEE: Towards Test-time Prompt Learning in the Real World for Self-Improving Agents [64.96332056338923]
  EEVEEは、LLMエージェントのための最初のマルチデータセットテスト時プロンプト学習フレームワークである。 実世界のタスクストリーム下でテスト時のプロンプト学習を可能にする。 EEVEEはQwen3-4B-InstructとDeepSeek-V3.2で平均マルチベンチマークスコアを10.38点、24.32点改善している。
  論文  参考訳（メタデータ） (2026-06-09T17:57:16Z)
• Trajectory-Aware Adaptive Inference in Object Detection Models [0.19845233274307664]
  我々は,GPSトラジェクトリデータを推論プロセスに組み込むことにより,既存のオブジェクト検出フレームワークを構築した。 我々は、動きキューを組み込んだYOLOv8ベースの検出器に早期退避機構を導入する。 その結果、この戦略は予測時間と計算コストを大幅に削減しつつ、良好な検出性能を維持していることが示された。
  論文  参考訳（メタデータ） (2026-05-12T16:04:07Z)
• LiquidTAD: Efficient Temporal Action Detection via Parallel Liquid-Inspired Temporal Relaxation [2.3837169660687123]
  LiquidTADは、液体神経力学以前の指数緩和を並列時間演算子に蒸留するフレームワークである。 LiquidTADは、モデルフットプリントを大幅に低下させながら、強力なベースラインと競合する精度を達成する。
  論文  参考訳（メタデータ） (2026-04-20T13:48:17Z)
• Design and Validation of a Lightweight 1D CNN for Affective Touch Classification in Soft Plush Companions [59.49967357689445]
  ソフトなセンサー付きコンパニオンは、社会的支援技術のための物理的に安全で感情的に直感的なインターフェースを提供する。 本研究では,ソフト・インタラクティブ・コンパニオンにおける感情的触覚認識のためのディープラーニングモデルの開発と検証を目的とした,オープンソースで拡張されたリアルタイムフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-04-16T10:20:05Z)
• Real-Time Glottis Detection Framework via Spatial-decoupled Feature Learning for Nasal Transnasal Intubation [13.846515413602722]
  組込みデバイスとエッジデバイスのための軽量かつ効率的なグロッティ検出フレームワークであるMobile GlottisNetを提案する。 このモデルには構造的認識と空間的アライメント機構が含まれており、複雑な解剖学的および視覚的条件下でのロバストな声門局在を可能にする。 実験の結果,PIDデータセットと臨床データセットの両方で5MB程度の大きさのモデルでは,デバイス上で62FPS以上,エッジプラットフォーム上で33FPS以上の推論速度が得られた。
  論文  参考訳（メタデータ） (2026-03-08T13:36:18Z)
• FAIM: Frequency-Aware Interactive Mamba for Time Series Classification [87.84511960413715]
  時系列分類(TSC)は、環境モニタリング、診断、姿勢認識など、多くの実世界の応用において重要である。 本稿では,周波数対応対話型マンバモデルであるFAIMを提案する。 FAIMは既存の最先端(SOTA)手法を一貫して上回り、精度と効率のトレードオフが優れていることを示す。
  論文  参考訳（メタデータ） (2025-11-26T08:36:33Z)
• 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)
• Decomposing and Fusing Intra- and Inter-Sensor Spatio-Temporal Signal for Multi-Sensor Wearable Human Activity Recognition [12.359681612030682]
  本稿では,モダリティ変数間の関係をよりよくモデル化するDecomposeWHARモデルを提案する。 この分解は、改良されたDepth Separable Convolutionを通じて、各センサ内変数の高次元表現を生成する。 我々のモデルは、広く使われている3つのWHARデータセットにおいて優れた性能を示し、最先端のモデルよりも大幅に優れている。
  論文  参考訳（メタデータ） (2025-01-19T01:52:28Z)
• 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)
• RMOPP: Robust Multi-Objective Post-Processing for Effective Object Detection [0.0]
  RMOPPは統計的に駆動された後処理アルゴリズムであり、精度とリコールの同時最適化を可能にする。 MS-COCOデータセットを用いて、YOLOv2上で魅力的なテストケースを提供する。
  論文  参考訳（メタデータ） (2021-02-09T00:02:38Z)
• Deep Cellular Recurrent Network for Efficient Analysis of Time-Series Data with Spatial Information [52.635997570873194]
  本研究では,空間情報を用いた複雑な多次元時系列データを処理するための新しいディープセルリカレントニューラルネットワーク(DCRNN)アーキテクチャを提案する。 提案するアーキテクチャは,文献に比較して,学習可能なパラメータをかなり少なくしつつ,最先端の性能を実現している。
  論文  参考訳（メタデータ） (2021-01-12T20:08:18Z)

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。