論文の概要: Graph-based 3D Human Pose Estimation using WiFi Signals

• arxiv url: http://arxiv.org/abs/2511.19105v1
• Date: Mon, 24 Nov 2025 13:40:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-25 18:34:25.218966
• Title: Graph-based 3D Human Pose Estimation using WiFi Signals
• Title（参考訳）: WiFi信号を用いたグラフベース3次元人物位置推定
• Authors: Jichao Chen, YangYang Qu, Ruibo Tang, Dirk Slock,
• Abstract要約: GraphPose-Fiは、WiFiベースの人間のポーズ推定のための骨格トポロジーを明示的にモデル化するグラフベースのフレームワークである。 提案手法はMM-Fiデータセット上の既存手法を様々な設定で大幅に上回っている。
• 参考スコア（独自算出の注目度）: 7.772045520373017
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: WiFi-based human pose estimation (HPE) has attracted increasing attention due to its resilience to occlusion and privacy-preserving compared to camera-based methods. However, existing WiFi-based HPE approaches often employ regression networks that directly map WiFi channel state information (CSI) to 3D joint coordinates, ignoring the inherent topological relationships among human joints. In this paper, we present GraphPose-Fi, a graph-based framework that explicitly models skeletal topology for WiFi-based 3D HPE. Our framework comprises a CNN encoder shared across antennas for subcarrier-time feature extraction, a lightweight attention module that adaptively reweights features over time and across antennas, and a graph-based regression head that combines GCN layers with self-attention to capture local topology and global dependencies. Our proposed method significantly outperforms existing methods on the MM-Fi dataset in various settings. The source code is available at: https://github.com/Cirrick/GraphPose-Fi.
• Abstract（参考訳）: WiFiベースのヒューマンポーズ推定(HPE)は、カメラベースの手法と比較して、隠蔽やプライバシー保護に対するレジリエンスから注目を集めている。 しかし、既存のWiFiベースのHPEアプローチでは、Wi-Fiチャネル状態情報(CSI)を直接3次元の関節座標にマッピングする回帰ネットワークを用いることが多い。 本稿では,WiFiベースの3D HPEのための骨格トポロジを明示的にモデル化するグラフベースのフレームワークであるGraphPose-Fiを提案する。 我々のフレームワークは、サブキャリア時間の特徴抽出のためにアンテナ間で共有されるCNNエンコーダと、時間とアンテナ間で特徴を適応的に重み付けする軽量アテンションモジュールと、GCN層と自己アテンションを組み合わせたグラフベースのレグレッションヘッドと、局所的なトポロジとグローバルな依存関係をキャプチャする。 提案手法はMM-Fiデータセット上の既存手法を様々な設定で大幅に上回っている。 ソースコードは、https://github.com/Cirrick/GraphPose-Fi.comで入手できる。

関連論文リスト

• PiLocNet: Physics-informed neural network on 3D localization with rotating point spread function [3.029152208453665]
  これまでに導入したローカライゼーションニューラルネットワークであるLocNetの新たな拡張を提案する。 改良されたネットワークは、我々がPiLocNetと呼ぶ物理インフォームドニューラルネットワーク(PINN)である。 本論文は3次元ソース位置のエンコードにシングルローブ回転型PSFを用いることに焦点を当てるが,他のPSFや画像問題にも広く適用できると期待している。
  論文  参考訳（メタデータ） (2024-10-17T07:49:23Z)
• Spatio-temporal MLP-graph network for 3D human pose estimation [8.267311047244881]
  グラフ畳み込みネットワークとその変種は3次元人間のポーズ推定において大きな可能性を示している。 暗黙の伝搬フェアリングを用いたグラフフィルタリングにより得られる新しい重み付きヤコビ特徴則を導入する。 また, 関節間の関係を学習するために, 隣接変調を用いた。
  論文  参考訳（メタデータ） (2023-08-29T14:00:55Z)
• Iterative Graph Filtering Network for 3D Human Pose Estimation [5.177947445379688]
  グラフ畳み込みネットワーク(GCN)は3次元人間のポーズ推定に有効な手法であることが証明されている。 本稿では,3次元ポーズ推定のための反復グラフフィルタリングフレームワークを提案する。 我々のアプローチは、ラプラシア正規化によるグラフフィルタリングを反復的に解くという考え方に基づいている。
  論文  参考訳（メタデータ） (2023-07-29T20:46:44Z)
• EGRC-Net: Embedding-induced Graph Refinement Clustering Network [66.44293190793294]
  埋め込みによるグラフリファインメントクラスタリングネットワーク (EGRC-Net) という新しいグラフクラスタリングネットワークを提案する。 EGRC-Netは学習した埋め込みを利用して初期グラフを適応的に洗練し、クラスタリング性能を向上させる。 提案手法はいくつかの最先端手法より一貫して優れている。
  論文  参考訳（メタデータ） (2022-11-19T09:08:43Z)
• Skeleton-Parted Graph Scattering Networks for 3D Human Motion Prediction [120.08257447708503]
  体-関節関係をモデル化するグラフ畳み込みネットワークに基づく手法は,最近3次元骨格に基づく人間の動作予測において大きな可能性を示唆している。 骨格分割グラフ散乱ネットワーク(SPGSN)を提案する。 SPGSNは、Human3.6M、CMU Mocap、および3DPWデータセット上で、関節位置誤差(MPJPE)当たりの3D平均の13.8%、9.3%、および2.7%の差で最先端の手法を上回っている。
  論文  参考訳（メタデータ） (2022-07-31T05:51:39Z)
• WiFi-based Spatiotemporal Human Action Perception [53.41825941088989]
  SNN(End-to-end WiFi signal Neural Network)は、Wi-Fiのみのセンシングを可能にするために提案されている。 特に、3D畳み込みモジュールはWiFi信号の時間的連続性を探索することができ、特徴自己保持モジュールは支配的な特徴を明示的に維持することができる。
  論文  参考訳（メタデータ） (2022-06-20T16:03:45Z)
• Keypoint Message Passing for Video-based Person Re-Identification [106.41022426556776]
  ビデオベースの人物再識別(re-ID)は、異なるカメラで捉えた人々のビデオスニペットをマッチングすることを目的とした、視覚監視システムにおいて重要な技術である。 既存の手法は主に畳み込みニューラルネットワーク(CNN)に基づいており、そのビルディングブロックは近隣のピクセルを一度に処理するか、あるいは3D畳み込みが時間情報のモデル化に使用される場合、人の動きによって生じるミスアライメントの問題に悩まされる。 本稿では,人間指向グラフ法を用いて,通常の畳み込みの限界を克服することを提案する。具体的には,人手指のキーポイントに位置する特徴を抽出し,時空間グラフとして接続する。
  論文  参考訳（メタデータ） (2021-11-16T08:01:16Z)
• 3D Human Pose Regression using Graph Convolutional Network [68.8204255655161]
  本稿では,2次元のポーズから3次元のポーズ回帰を行うために,PoseGraphNetというグラフ畳み込みネットワークを提案する。 我々のモデルの性能は最先端に近いが、パラメータははるかに少ない。
  論文  参考訳（メタデータ） (2021-05-21T14:41:31Z)
• GPS-Net: Graph Property Sensing Network for Scene Graph Generation [91.60326359082408]
  シーングラフ生成(SGG)は、画像内のオブジェクトとそれらのペア関係を検出することを目的としている。 GPS-Netは、エッジ方向情報、ノード間の優先度の差、長期にわたる関係の分布という、SGGの3つの特性を網羅している。 GPS-Netは、VG、OI、VRDの3つの一般的なデータベース上での最先端のパフォーマンスを、さまざまな設定とメトリクスで大幅に向上させる。
  論文  参考訳（メタデータ） (2020-03-29T07:22:31Z)

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。