論文の概要: mmGAT: Pose Estimation by Graph Attention with Mutual Features from mmWave Radar Point Cloud

• arxiv url: http://arxiv.org/abs/2603.08551v1
• Date: Mon, 09 Mar 2026 16:15:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-10 15:13:16.402381
• Title: mmGAT: Pose Estimation by Graph Attention with Mutual Features from mmWave Radar Point Cloud
• Title（参考訳）: mmGAT:mmWave Radar Point Cloudからの相互特徴付きグラフ注意によるポーズ推定
• Authors: Abdullah Al Masud, Shi Xintong, Mondher Bouazizi, Ohtsuki Tomoaki,
• Abstract要約: 本稿では, ミリ波レーダ技術の人体ポーズ推定への応用について述べる。 本稿では,ポーズ推定のためのGNN処理手法の潜在能力をフル活用する特徴抽出手法を提案する。 提案手法は,関節位置誤差当たりのポーズ推定平均値(MPJPE)を35.6%,PA-MPJPEを14.1%削減する。
• 参考スコア（独自算出の注目度）: 3.300544441511928
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Pose estimation and human action recognition (HAR) are pivotal technologies spanning various domains. While the image-based pose estimation and HAR are widely admired for their superior performance, they lack in privacy protection and suboptimal performance in low-light and dark environments. This paper exploits the capabilities of millimeter-wave (mmWave) radar technology for human pose estimation by processing radar data with Graph Neural Network (GNN) architecture, coupled with the attention mechanism. Our goal is to capture the finer details of the radar point cloud to improve the pose estimation performance. To this end, we present a unique feature extraction technique that exploits the full potential of the GNN processing method for pose estimation. Our model mmGAT demonstrates remarkable performance on two publicly available benchmark mmWave datasets and establishes new state of the art results in most scenarios in terms of human pose estimation. Our approach achieves a noteworthy reduction of pose estimation mean per joint position error (MPJPE) by 35.6% and PA-MPJPE by 14.1% from the current state of the art benchmark within this domain.
• Abstract（参考訳）: ポース推定とヒューマンアクション認識(HAR)は、様々な領域にまたがる重要な技術である。 画像ベースのポーズ推定とHARは優れたパフォーマンスで広く賞賛されているが、低照度および暗黒環境でのプライバシー保護と準最適パフォーマンスは欠如している。 本稿では,グラフニューラルネット(GNN)アーキテクチャを用いたレーダデータ処理による人体ポーズ推定のためのミリ波レーダ技術とアテンション機構を利用する。 我々のゴールは、レーダポイントクラウドの細部を捉えて、ポーズ推定性能を改善することである。 そこで本研究では,ポーズ推定のためのGNN処理手法の潜在能力をフル活用した特徴抽出手法を提案する。 我々のモデルmmGATは、2つの公開ベンチマークmmWaveデータセットで顕著な性能を示し、人間のポーズ推定の観点でほとんどのシナリオで新しい最先端結果を確立する。 提案手法は,現在最先端のベンチマークから,関節位置誤差当たりのポーズ推定平均値(MPJPE)を35.6%,PA-MPJPEを14.1%削減する。

関連論文リスト

• PCFEx: Point Cloud Feature Extraction for Graph Neural Networks [3.300544441511928]
  グラフニューラルネットワーク(GNN)は、さまざまな領域でその有効性に大きな注目を集めている。 本研究は,HPE(Human pose Estimation)とHAR(Human Activity Recognition)のための3Dポイントクラウドデータ処理にGNNを適用することに焦点を当てる。
  論文  参考訳（メタデータ） (2026-03-09T16:09:02Z)
• TacoDepth: Towards Efficient Radar-Camera Depth Estimation with One-stage Fusion [54.46664104437454]
  一段核融合を用いた効率的かつ正確なレーダ・カメラ深度推定モデルであるTacoDepthを提案する。 具体的には、グラフベースのRadar構造抽出器とピラミッドベースのRadar融合モジュールを設計する。 従来の最先端のアプローチと比較して、TacoDepthは深さ精度と処理速度を12.8%、91.8%改善している。
  論文  参考訳（メタデータ） (2025-04-16T05:25:04Z)
• ProbRadarM3F: mmWave Radar based Human Skeletal Pose Estimation with Probability Map Guided Multi-Format Feature Fusion [10.269536505085524]
  本稿では,確率マップによるマルチフォーマット特徴融合モデルProbRadarM3Fを提案する。 ProbRadarM3Fは従来のヒートマップの特徴と位置特徴を融合させ、効果的に14個の人体のキーポイントを推定する。
  論文  参考訳（メタデータ） (2024-05-08T15:54:57Z)
• Rethinking pose estimation in crowds: overcoming the detection information-bottleneck and ambiguity [46.10812760258666]
  個人間の頻繁な相互作用は、ポーズ推定アルゴリズムの基本的な課題である。 ボトムアップ条件付きトップダウンポーズ推定と呼ばれる新しいパイプラインを提案する。 動物と人間のポーズ推定ベンチマークにおけるアプローチの性能と効率を実証する。
  論文  参考訳（メタデータ） (2023-06-13T16:14:40Z)
• HuPR: A Benchmark for Human Pose Estimation Using Millimeter Wave Radar [30.51398364813315]
  本稿では,ミリ波レーダを用いた人間のポーズ推定ベンチマーク「Human Pose with Millimeter Wave Radar (HuPR)」を紹介する。 このデータセットは、レーダに基づく人間のポーズ推定のクロスモダリティトレーニングのために、クロスキャリブレーションされたmmWaveレーダセンサとモノクラーRGBカメラを用いて作成される。
  論文  参考訳（メタデータ） (2022-10-22T22:28:40Z)
• DeepRM: Deep Recurrent Matching for 6D Pose Refinement [77.34726150561087]
  DeepRMは、6Dポーズ改善のための新しいリカレントネットワークアーキテクチャである。 アーキテクチャにはLSTMユニットが組み込まれ、各改善ステップを通じて情報を伝達する。 DeepRMは、2つの広く受け入れられている課題データセットで最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2022-05-28T16:18:08Z)
• ZARTS: On Zero-order Optimization for Neural Architecture Search [94.41017048659664]
  微分可能なアーキテクチャサーチ (DARTS) は、NASの高効率性のため、一般的なワンショットパラダイムである。 この作業はゼロオーダーの最適化に変わり、上記の近似を強制せずに探索するための新しいNASスキームであるZARTSを提案する。 特に、12ベンチマークの結果は、DARTSの性能が低下するZARTSの顕著な堅牢性を検証する。
  論文  参考訳（メタデータ） (2021-10-10T09:35:15Z)
• Learning Dynamics via Graph Neural Networks for Human Pose Estimation and Tracking [98.91894395941766]
  ポーズ検出とは無関係なポーズダイナミクスを学習する新しいオンライン手法を提案する。 具体的には、空間的・時間的情報と視覚的情報の両方を明示的に考慮したグラフニューラルネットワーク(GNN)を通して、このダイナミクスの予測を導出する。 PoseTrack 2017とPoseTrack 2018データセットの実験では、提案手法が人間のポーズ推定とトラッキングタスクの両方において、技術の現状よりも優れた結果が得られることを示した。
  論文  参考訳（メタデータ） (2021-06-07T16:36:50Z)
• Wave Propagation of Visual Stimuli in Focus of Attention [77.4747032928547]
  周囲の視覚環境の変化に対する迅速な反応は、計算資源を視覚領域の最も関連する場所に再配置する効率的な注意機構を必要とする。 本研究は, 営巣動物が提示する有効性と効率性を示す, 生物学的に有望な注目焦点モデルを提案する。
  論文  参考訳（メタデータ） (2020-06-19T09:33:21Z)

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。