Fugu-MT 論文翻訳(概要): PMMA: The Polytechnique Montreal Mobility Aids Dataset

論文の概要: PMMA: The Polytechnique Montreal Mobility Aids Dataset

arxiv url: http://arxiv.org/abs/2602.10259v1
Date: Tue, 10 Feb 2026 20:04:20 GMT
ステータス: 翻訳完了
システム内更新日: 2026-02-12 21:44:01.265159
Title: PMMA: The Polytechnique Montreal Mobility Aids Dataset
Title（参考訳）: PMMA:ポリテクニクのモントリオール・モビリティはデータセットを支援する
Authors: Qingwu Liu, Nicolas Saunier, Guillaume-Alexandre Bilodeau,
Abstract要約: 本研究では,PMMAと呼ばれる移動補助具を用いた歩行者の物体検出データセットを提案する。データセットは屋外の環境で収集され、ボランティアは車椅子、杖、歩行器を使った。
参考スコア（独自算出の注目度）: 7.840876304777402
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: This study introduces a new object detection dataset of pedestrians using mobility aids, named PMMA. The dataset was collected in an outdoor environment, where volunteers used wheelchairs, canes, and walkers, resulting in nine categories of pedestrians: pedestrians, cane users, two types of walker users, whether walking or resting, five types of wheelchair users, including wheelchair users, people pushing empty wheelchairs, and three types of users pushing occupied wheelchairs, including the entire pushing group, the pusher and the person seated on the wheelchair. To establish a benchmark, seven object detection models (Faster R-CNN, CenterNet, YOLOX, DETR, Deformable DETR, DINO, and RT-DETR) and three tracking algorithms (ByteTrack, BOT-SORT, and OC-SORT) were implemented under the MMDetection framework. Experimental results show that YOLOX, Deformable DETR, and Faster R-CNN achieve the best detection performance, while the differences among the three trackers are relatively small. The PMMA dataset is publicly available at https://doi.org/10.5683/SP3/XJPQUG, and the video processing and model training code is available at https://github.com/DatasetPMMA/PMMA.
Abstract（参考訳）: 本研究では,PMMAと呼ばれる移動補助具を用いた歩行者の物体検出データセットを提案する。このデータセットは屋外の環境で収集され、ボランティアが車椅子、杖、歩行者を使用しており、歩行者、杖使用者、歩行か休息かの2種類の歩行者ユーザー、車椅子利用者を含む5種類の車椅子ユーザー、空の車椅子を押す人、押すグループ全体、押す人、車椅子に座っている人を含む3種類の利用者の9つのカテゴリーに分類された。ベンチマークを作成するために,7つのオブジェクト検出モデル (Faster R-CNN, CenterNet, YOLOX, DETR, Deformable DETR, DINO, RT-DETR) と3つの追跡アルゴリズム (ByteTrack, BOT-SORT, OC-SORT) をMMDetectionフレームワークで実装した。実験結果から,YOLOX,Deformable DETR,Faster R-CNNの3つのトラッカーの差は比較的小さいが,検出性能は高いことがわかった。 PMMAデータセットはhttps://doi.org/10.5683/SP3/XJPQUGで公開されており、ビデオ処理とモデルトレーニングコードはhttps://github.com/DatasetPMMA/PMMAで公開されている。

関連論文リスト

Tracking Meets Large Multimodal Models for Driving Scenario Understanding [76.71815464110153]
大規模マルチモーダルモデル(LMM)は、最近自動運転研究で注目されている。本稿では3次元の空間的・時間的詳細を復元するための追加入力として追跡情報を統合することを提案する。本稿では,この追跡情報をLMMに埋め込んで,運転シナリオの理解を深めるための新しい手法を提案する。
論文参考訳（メタデータ） (2025-03-18T17:59:12Z)
EEG-based AI-BCI Wheelchair Advancement: A Brain-Computer Interfacing Wheelchair System Using Deep Learning Approach [0.0]
この研究は、人工知能(AI)を組み込んだBCI(Brain-Computer Interface)に基づく車椅子開発のための革新的戦略を提供する。このデバイスは、脳波(EEG)データを使って車椅子のナビゲーションを模倣する。
論文参考訳（メタデータ） (2024-10-13T07:41:37Z)
WheelPoser: Sparse-IMU Based Body Pose Estimation for Wheelchair Users [7.5279679789210645]
本稿では,車いす利用者を対象としたリアルタイムポーズ推定システムであるWheelPoserを紹介する。我々のシステムは、ユーザの体と車椅子に4つの戦略的に配置されたIMUしか使用せず、カメラや高密度IMUアレイを使用した従来のシステムよりもはるかに実用的です。 WheelPoserは車椅子利用者のポーズを平均関節角度誤差14.30度、平均関節位置誤差6.74cmで追跡することができる。
論文参考訳（メタデータ） (2024-09-13T02:41:49Z)
Real-Time Human Pose Estimation on a Smart Walker using Convolutional Neural Networks [4.076099054649463]
スマートウォーカのコンテキストにおける患者モニタリングとデータ駆動型ヒューマン・イン・ザ・ループ制御に対する新しいアプローチを提案する。完全かつコンパクトなボディ表現を、リアルタイムおよび安価なセンサーから抽出することができる。有望な結果にもかかわらず、現実のシナリオにおけるリハビリテーションツールとしてのパフォーマンスを評価するために、障害のあるユーザにより多くのデータを収集する必要がある。
論文参考訳（メタデータ） (2021-06-28T14:11:48Z)
Domain and Modality Gaps for LiDAR-based Person Detection on Mobile Robots [91.01747068273666]
本稿では,移動ロボットのシナリオに着目した既存のLiDAR人物検出装置について検討する。実験は3Dと2D LiDARのセンサー間のモダリティのギャップだけでなく、運転と移動ロボットのシナリオ間の領域ギャップを回避している。その結果、LiDARに基づく人物検出の実践的な洞察を与え、関連する移動ロボットの設計と応用に関する情報決定を容易にする。
論文参考訳（メタデータ） (2021-06-21T16:35:49Z)
One Million Scenes for Autonomous Driving: ONCE Dataset [91.94189514073354]
自律運転シナリオにおける3次元物体検出のためのONCEデータセットを提案する。データは、利用可能な最大の3D自動運転データセットよりも20倍長い144時間の運転時間から選択される。我々はONCEデータセット上で、様々な自己教師的・半教師的手法を再現し、評価する。
論文参考訳（メタデータ） (2021-06-21T12:28:08Z)
Learnable Online Graph Representations for 3D Multi-Object Tracking [156.58876381318402]
3D MOT問題に対する統一型学習型アプローチを提案します。我々は、完全にトレーニング可能なデータアソシエーションにNeural Message Passing Networkを使用します。 AMOTAの65.6%の最先端性能と58%のIDスウィッチを達成して、公開可能なnuScenesデータセットに対する提案手法のメリットを示す。
論文参考訳（メタデータ） (2021-04-23T17:59:28Z)
Wheelchair Behavior Recognition for Visualizing Sidewalk Accessibility by Deep Neural Networks [19.671946716832203]
本論文では,車いす座席下に設置したスマートフォンの3軸加速度計を用いて,車いすの動作から歩道のアクセシビリティを推定する手法を提案する。本手法は,環境要因から歩道のアクセシビリティを認識する。勾配、縁石、隙間。本論文では,車椅子加速度から知識を抽出し,歩道のアクセシビリティ情報を可視化するプロトタイプシステムを開発した。
論文参考訳（メタデータ） (2021-01-11T06:41:42Z)
A Follow-the-Leader Strategy using Hierarchical Deep Neural Networks with Grouped Convolutions [0.0]
リーダのタスクは階層型ディープニューラルネットワーク(DNN)のエンドツーエンド駆動モデルを用いて実装される。モデルはインテリジェンス・プロセッシング・ユニット(IPU)で訓練され、その微粒な計算能力を活用する。歩行者を追跡する車両の記録が作成され、ウェブで公開されている。
論文参考訳（メタデータ） (2020-11-04T16:04:42Z)
MOTChallenge: A Benchmark for Single-Camera Multiple Target Tracking [72.76685780516371]
単カメラ多目的追跡(MOT)のためのベンチマークMOTChallengeを提案する。このベンチマークは、歩行者がトラッキングコミュニティで最も研究されているオブジェクトであるため、複数の人を追跡することに重点を置いている。我々は,最先端トラッカーの分類と広い誤差解析を行う。
論文参考訳（メタデータ） (2020-10-15T06:52:16Z)
DMD: A Large-Scale Multi-Modal Driver Monitoring Dataset for Attention and Alertness Analysis [54.198237164152786]
視覚は運転監視システム(DMS)の最も豊かで費用対効果の高い技術である十分に大規模で包括的なデータセットの欠如は、DMS開発の進展のボトルネックとなっている。本稿では,実運転シナリオとシミュレーション運転シナリオを含む広範囲なデータセットであるドライバモニタリングデータセット(DMD)を紹介する。
論文参考訳（メタデータ） (2020-08-27T12:33:54Z)

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。