論文の概要: mmCounter: Static People Counting in Dense Indoor Scenarios Using mmWave Radar

• arxiv url: http://arxiv.org/abs/2512.10357v1
• Date: Thu, 11 Dec 2025 07:16:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-12 16:15:42.239912
• Title: mmCounter: Static People Counting in Dense Indoor Scenarios Using mmWave Radar
• Title（参考訳）: mmCounter:mmWave Radarを使って屋内の高密度シナリオを数える静的な人々
• Authors: Tarik Reza Toha, Shao-Jung, Lu, Shahriar Nirjon,
• Abstract要約: mmCounterは、密集した屋内空間(平方メートルあたり最大3人)で静的な人々を正確にカウントする。 最大7個の個人を3平方メートルの空間に数えることができるため、横間隔が無く、1メートル前後の距離しか持たない。
• 参考スコア（独自算出の注目度）: 2.3099977899200197
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: mmWave radars struggle to detect or count individuals in dense, static (non-moving) groups due to limitations in spatial resolution and reliance on movement for detection. We present mmCounter, which accurately counts static people in dense indoor spaces (up to three people per square meter). mmCounter achieves this by extracting ultra-low frequency (< 1 Hz) signals, primarily from breathing and micro-scale body movements such as slight torso shifts, and applying novel signal processing techniques to differentiate these subtle signals from background noise and nearby static objects. Our problem differs significantly from existing studies on breathing rate estimation, which assume the number of people is known a priori. In contrast, mmCounter utilizes a novel multi-stage signal processing pipeline to extract relevant low-frequency sources along with their spatial information and map these sources to individual people, enabling accurate counting. Extensive evaluations in various environments demonstrate that mmCounter delivers an 87% average F1 score and 0.6 mean absolute error in familiar environments, and a 60% average F1 score and 1.1 mean absolute error in previously untested environments. It can count up to seven individuals in a three square meter space, such that there is no side-by-side spacing and only a one-meter front-to-back distance.
• Abstract（参考訳）: mmWaveレーダーは、空間分解能の限界と検出のための移動に依存するため、密集した(動かない)グループ内の個人を検知または数えるのに苦労する。 密集した屋内空間(平方メートルあたり最大3人)における静的な人物を正確にカウントする mmCounter を提示する。 mmCounterは、低周波 (1 Hz) の信号を主に呼吸と小体の動きから抽出し、これらの微妙な信号を背景雑音や近傍の静的物体と区別するために新しい信号処理技術を適用する。 本研究は,従来の呼吸速度推定法とは大きく異なる。 対照的にmmCounterは、新しい多段階信号処理パイプラインを使用して、空間情報とともに関連する低周波ソースを抽出し、それらのソースを個人にマップし、正確なカウントを可能にする。 様々な環境での大規模な評価は、mmCounterが慣れ親しんだ環境で平均F1スコアと0.6絶対誤差を平均F1スコアと1.1絶対誤差を87%提供することを示している。 最大7個の個人を3平方メートルの空間に数えることができるため、横間隔が無く、1メートル前後の距離しか持たない。

関連論文リスト

• On the Limitations of Ray-Tracing for Learning-Based RF Tasks in Urban Environments [4.097291451674696]
  ローマ中央部の屋外細胞リンクにおけるSionna v ray-tracingの現実性について検討した。 我々は、経路深さ、拡散/特異/屈折フラグ、キャリア周波数、アンテナの特性など、主なシミュレーションパラメータを変化させる。
  論文  参考訳（メタデータ） (2025-07-25T19:58:44Z)
• Remote Detection of Applications for Improved Beam Tracking in mmWave/sub-THz 5G/6G Systems [37.35086075012511]
  ビームトラッキングはミリ波(mmWave, 30-100 GHz)とサブテラヘルツ(サブTHz, 100-300 GHz)の5G/6Gシステムに不可欠な機能である。 基地局(BS)とユーザ機器(UE)の両方でアンテナ掃除を行う。 本稿では,エアインターフェースにおける適用形態の明示的なシグナリングがない場合,受信信号強度パターンに基づいて,BS側でリモートで検出する方法を提案する。
  論文  参考訳（メタデータ） (2024-10-24T10:55:21Z)
• LLMCount: Enhancing Stationary mmWave Detection with Multimodal-LLM [1.8326853076179552]
  LLMCountは,大規模言語モデル(LLM)の機能を活用して,群衆検出性能を向上させる最初のシステムである。 システムの性能を評価するため,ホール,会議室,映画館などの多彩なシナリオ下で総合的な評価を行う。
  論文  参考訳（メタデータ） (2024-09-24T16:09:29Z)
• Match and Locate: low-frequency monocular odometry based on deep feature matching [0.65268245109828]
  本稿では,1台のカメラしか必要としないロボットオドメトリーの新たなアプローチを提案する。 アプローチは、深い特徴マッチングモデルを用いて、ビデオストリームの連続フレーム間の画像特徴のマッチングに基づいている。 本研究では,AISG-SLAビジュアルローカライゼーションチャレンジにおける手法の性能評価を行い,計算効率が高く,実装が容易であるにもかかわらず,競合する結果が得られた。
  論文  参考訳（メタデータ） (2023-11-16T17:32:58Z)
• Correlating sparse sensing for large-scale traffic speed estimation: A Laplacian-enhanced low-rank tensor kriging approach [76.45949280328838]
  本稿では,Laplacian enhanced Low-rank tensor (LETC) フレームワークを提案する。 次に,提案したモデルをネットワークワイド・クリグにスケールアップするために,複数の有効な数値手法を用いて効率的な解アルゴリズムを設計する。
  論文  参考訳（メタデータ） (2022-10-21T07:25:57Z)
• MIMO-DoAnet: Multi-channel Input and Multiple Outputs DoA Network with Unknown Number of Sound Sources [56.41687729076406]
  近年のニューラルネットワークに基づくDorion of Arrival (DoA)推定アルゴリズムは,未知数の音源シナリオでよく機能している。 これらのアルゴリズムは通常、MISOと呼ばれる単一の出力(全ソースの空間的擬似スペクトル(SPS))にマルチチャンネルオーディオ入力をマッピングすることで達成される。 本稿では,SPS SPIE-DoAnetと呼ばれる新しいマルチチャネル入力と複数出力DoAネットワークを提案し,これらの制約に対処する。
  論文  参考訳（メタデータ） (2022-07-15T06:18:00Z)
• Learning based signal detection for MIMO systems with unknown noise statistics [84.02122699723536]
  本論文では,未知のノイズ統計による信号を堅牢に検出する一般化最大確率(ML)推定器を考案する。 実際には、システムノイズに関する統計的な知識はほとんどなく、場合によっては非ガウス的であり、衝動的であり、分析不可能である。 我々のフレームワークは、ノイズサンプルのみを必要とする教師なしの学習アプローチによって駆動される。
  論文  参考訳（メタデータ） (2021-01-21T04:48:15Z)
• Detection of gravitational-wave signals from binary neutron star mergers using machine learning [52.77024349608834]
  本稿では,重力波検出器の時系列ひずみデータを用いたニューラルネットワークに基づく機械学習アルゴリズムを提案する。 信号対雑音比が25未満の信号に対する感度は6因子改善した。 保守的な推定は、我々のアルゴリズムが信号の到着からアラート発生までの平均10.2秒の遅延を発生させることを示している。
  論文  参考訳（メタデータ） (2020-06-02T10:20:11Z)
• Temporal-Spatial Neural Filter: Direction Informed End-to-End Multi-channel Target Speech Separation [66.46123655365113]
  ターゲット音声分離とは、混合信号からターゲット話者の音声を抽出することを指す。 主な課題は、複雑な音響環境とリアルタイム処理の要件である。 複数話者混合から対象音声波形を直接推定する時間空間ニューラルフィルタを提案する。
  論文  参考訳（メタデータ） (2020-01-02T11:12:50Z)

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。