論文の概要: MARAuder's Map: Motion-Aware Real-time Activity Recognition with Layout-Based Trajectories

• arxiv url: http://arxiv.org/abs/2511.05773v1
• Date: Sat, 08 Nov 2025 00:07:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-11 21:18:44.573874
• Title: MARAuder's Map: Motion-Aware Real-time Activity Recognition with Layout-Based Trajectories
• Title（参考訳）: MARAuder's Map:レイアウトベース軌道を用いたリアルタイム行動認識
• Authors: Zishuai Liu, Weihang You, Jin Lu, Fei Dou,
• Abstract要約: 本稿では,未分割のセンサストリームからリアルタイムなアクティビティ認識のための新しいフレームワークを提案する。 提案手法は,センサアクティベーションを物理フロアプラン上に提案し,軌跡認識画像のようなシーケンスを生成する。 時間的意識を高めるために,文脈的手がかりをエンコードする学習可能な時間埋め込みモジュールを導入する。
• 参考スコア（独自算出の注目度）: 3.788163163289351
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Ambient sensor-based human activity recognition (HAR) in smart homes remains challenging due to the need for real-time inference, spatially grounded reasoning, and context-aware temporal modeling. Existing approaches often rely on pre-segmented, within-activity data and overlook the physical layout of the environment, limiting their robustness in continuous, real-world deployments. In this paper, we propose MARAuder's Map, a novel framework for real-time activity recognition from raw, unsegmented sensor streams. Our method projects sensor activations onto the physical floorplan to generate trajectory-aware, image-like sequences that capture the spatial flow of human movement. These representations are processed by a hybrid deep learning model that jointly captures spatial structure and temporal dependencies. To enhance temporal awareness, we introduce a learnable time embedding module that encodes contextual cues such as hour-of-day and day-of-week. Additionally, an attention-based encoder selectively focuses on informative segments within each observation window, enabling accurate recognition even under cross-activity transitions and temporal ambiguity. Extensive experiments on multiple real-world smart home datasets demonstrate that our method outperforms strong baselines, offering a practical solution for real-time HAR in ambient sensor environments.
• Abstract（参考訳）: スマートホームにおける環境センサに基づくヒューマンアクティビティ認識(HAR)は、リアルタイム推論、空間的根拠に基づく推論、文脈対応の時間的モデリングを必要とするため、依然として困難である。 既存のアプローチは、しばしば、事前に分離された、活動中のデータに依存し、環境の物理的なレイアウトを見落とし、継続的で現実世界のデプロイメントにおける堅牢性を制限する。 本稿では,生のセンサストリームからリアルタイムのアクティビティ認識を行う新しいフレームワークであるMARAuder's Mapを提案する。 そこで本手法では, 物理的フロアプランにセンサアクティベーションを投射し, 人間の動きの空間的流れを捉えた軌跡認識画像のようなシーケンスを生成する。 これらの表現は、空間構造と時間的依存関係を協調的にキャプチャするハイブリッドディープラーニングモデルによって処理される。 時間的意識を高めるために,日時や日時などの文脈的手がかりをエンコードする学習可能な時間埋め込みモジュールを導入する。 さらに、アテンションベースのエンコーダは、各観測窓内の情報セグメントに選択的にフォーカスし、クロスアクティブ遷移や時間的あいまいさの下でも正確な認識を可能にする。 複数の実世界のスマートホームデータセットに対する大規模な実験により、我々の手法は強いベースラインを上回り、環境センサ環境におけるリアルタイムHARの実用的なソリューションを提供する。

関連論文リスト

• DynST: Dynamic Sparse Training for Resource-Constrained Spatio-Temporal Forecasting [31.398965880415492]
  地球科学システムは、センサーの広範な展開に大きく依存している。 従来のセンサー配置アプローチでは、特定のアルゴリズムを使用してセンサーを設計および展開する。 本稿では,スパース時間データダイナミックスパーストレーニングの概念を初めて紹介し,適応的かつ動的に重要な分布センサをフィルタリングすることにコミットする。
  論文  参考訳（メタデータ） (2024-03-05T12:31:24Z)
• Generalizing Event-Based Motion Deblurring in Real-World Scenarios [62.995994797897424]
  イベントベースの動作遅延は、低レイテンシイベントを活用することで、有望な結果を示している。 本研究では,フレキシブルな入力空間スケールを実現するとともに,時間スケールの異なる動きのぼかしから学習できるスケール対応ネットワークを提案する。 次に,実世界のデータ分布に適合する2段階の自己教師型学習手法を開発した。
  論文  参考訳（メタデータ） (2023-08-11T04:27:29Z)
• Spatio-Temporal Branching for Motion Prediction using Motion Increments [55.68088298632865]
  HMP(Human Motion Prediction)はその多種多様な応用により、人気のある研究トピックとして浮上している。 従来の手法は手作りの機能と機械学習技術に依存している。 HMPのためのインクリメンタル情報を用いた時空間分岐ネットワークを提案する。
  論文  参考訳（メタデータ） (2023-08-02T12:04:28Z)
• A Spatio-Temporal Multilayer Perceptron for Gesture Recognition [70.34489104710366]
  自律走行車におけるジェスチャー認識のための多層状態重み付きパーセプトロンを提案する。 提案手法の有望な性能を示すため,TCGおよびDrive&Actデータセットの評価を行った。 私たちは、そのリアルタイム能力と安定した実行を示すために、モデルを自動運転車にデプロイします。
  論文  参考訳（メタデータ） (2022-04-25T08:42:47Z)
• Human Activity Recognition from Wearable Sensor Data Using Self-Attention [2.9023633922848586]
  本稿では,身体のセンサデータから行動認識のための自己認識型ニューラルネットワークモデルを提案する。 一般に公開されている4つのHARデータセット、PAMAP2、Opportunity、Skoda、USC-HADについて実験を行った。 ベンチマークテスト対象とLeave-out-subject評価の両方において,最近の最先端モデルよりも高い性能向上を実現している。
  論文  参考訳（メタデータ） (2020-03-17T14:16:57Z)

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。