論文の概要: Expanding mmWave Datasets for Human Pose Estimation with Unlabeled Data and LiDAR Datasets

• arxiv url: http://arxiv.org/abs/2603.14507v1
• Date: Sun, 15 Mar 2026 17:40:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-17 16:19:35.860268
• Title: Expanding mmWave Datasets for Human Pose Estimation with Unlabeled Data and LiDAR Datasets
• Title（参考訳）: ラベルなしデータとLiDARデータを用いた人文推定のためのmmWaveデータセットの拡張
• Authors: Zhuoxuan Peng, Boan Zhu, Xingjian Zhang, Wenying Li, S. -H. Gary Chan,
• Abstract要約: 人間のポーズ推定(HPE)のための現在のmmWaveデータセットは乏しく、ポイントクラウド(PC)属性と人間のポーズの両方に多様性がない。 未ラベルのmmWaveデータとLiDARデータセットを用いて既存のmmWaveデータセットのボリュームと多様性を拡大する新しい手法を提案する。
• 参考スコア（独自算出の注目度）: 10.61543421601415
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Current mmWave datasets for human pose estimation (HPE) are scarce and lack diversity in both point cloud (PC) attributes and human poses, severely hampering the generalization ability of their trained models. On the other hand, unlabeled mmWave HPE data and diverse LiDAR HPE datasets are readily available. We propose EMDUL, a novel approach to expand the volume and diversity of an existing mmWave dataset using unlabeled mmWave data and a LiDAR dataset. EMDUL trains a pseudo-label estimator to annotate the unlabeled mmWave data and is able to convert, or translate, a given annotated LiDAR PC to its mmWave counterpart. Expanded with both LiDAR-converted and pseudo-labeled mmWave PCs, our mmWave dataset significantly boosts the performance and generalization ability of all our HPE models, with substantial 15.1% and 18.9% error reductions for in-domain and out-of-domain settings, respectively.
• Abstract（参考訳）: 人間のポーズ推定(HPE)のための現在のmmWaveデータセットは、ポイントクラウド(PC)属性と人間のポーズの両方に多様性がなく、訓練されたモデルの一般化能力を著しく妨げている。 一方、ラベルなしmmWave HPEデータと多様なLiDAR HPEデータセットは容易に利用可能である。 未ラベルのmmWaveデータとLiDARデータセットを用いて既存のmmWaveデータセットのボリュームと多様性を拡大するための新しいアプローチであるEMDULを提案する。 EMDULは、未ラベルのmmWaveデータを注釈付けするために擬似ラベル推定器を訓練し、与えられた注釈付きLiDAR PCをそのmmWaveに変換または翻訳することができる。 LDAR変換と疑似ラベル付き mmWave PC を併用することにより、我々の mmWaveデータセットは、ドメイン内設定とドメイン外設定でそれぞれ 15.1% と 18.9% のエラー削減で、HPE モデルの性能と一般化能力を大幅に向上させる。

関連論文リスト

• mmHSense: Multi-Modal and Distributed mmWave ISAC Datasets for Human Sensing [8.757728359297895]
  本稿では、ISAC(Integrated Sensing and Communication)システム内での人間の知覚研究を支援するために、オープンラベル付きmmWaveデータセットのセットであるmmHSenseについて述べる。 データセットは、ジェスチャー認識、人物識別、ポーズ推定、ローカライゼーションなど、様々なエンドアプリケーションのためのmmWave ISACを探索するために使用することができる。
  論文  参考訳（メタデータ） (2025-09-24T11:49:08Z)
• mmExpert: Integrating Large Language Models for Comprehensive mmWave Data Synthesis and Understanding [30.51586120125617]
  mmExpertは革新的なmmWave理解フレームワークです。 特定のアプリケーションシナリオのための合成mWaveレーダデータセットの生成を自動化する。 mmExpertによって合成されたデータは、下流モデルの性能を大幅に向上させることを示した。
  論文  参考訳（メタデータ） (2025-09-20T04:01:02Z)
• Improving Data Efficiency via Curating LLM-Driven Rating Systems [30.233724785974143]
  データ選択のための多変量対応スコアキュレーション手法DS2を紹介する。 スコア遷移行列を通じてエラーパターンを体系的にモデル化することにより、DS2はLSMベースのスコアを補正し、選択したデータサンプルの多様性を促進する。 このアプローチは、キュレートされたサブセット(元のデータセットのわずか3.3%)が、さまざまなマシンアライメントベンチマークで、フルスケールデータセット(300kサンプル)より優れていることを示している。
  論文  参考訳（メタデータ） (2024-10-09T10:07:55Z)
• Convolutional Monge Mapping Normalization for learning on sleep data [63.22081662149488]
  我々は、CMMN(Convolutional Monge Mapping Normalization)と呼ばれる新しい手法を提案する。 CMMNは、そのパワースペクトル密度(PSD)をトレーニングデータに基づいて推定されるワッサーシュタインバリセンタに適応させるために、信号をフィルタリングする。 睡眠脳波データに関する数値実験により、CMMNはニューラルネットワークアーキテクチャから独立して、顕著で一貫したパフォーマンス向上をもたらすことが示された。
  論文  参考訳（メタデータ） (2023-05-30T08:24:01Z)
• Uncertainty-Aware Source-Free Adaptive Image Super-Resolution with Wavelet Augmentation Transformer [60.31021888394358]
  Unsupervised Domain Adaptation (UDA)は、現実世界の超解像(SR)における領域ギャップ問題に効果的に対処できる 本稿では,画像SR(SODA-SR)のためのSOurce-free Domain Adaptationフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-31T03:14:44Z)
• LiDARCap: Long-range Marker-less 3D Human Motion Capture with LiDAR Point Clouds [58.402752909624716]
  既存のモーションキャプチャデータセットはほとんどが短距離であり、まだ長距離アプリケーションのニーズに合わない。 我々は,この制限を克服するために,LiDARがより長い範囲で捉えた新しい人間のモーションキャプチャーデータセットLiDARHuman26Mを提案する。 我々のデータセットには、IMUシステムによって取得された人間の動きと同期RGB画像も含まれている。
  論文  参考訳（メタデータ） (2022-03-28T12:52:45Z)

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。