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

• arxiv url: http://arxiv.org/abs/2603.14507v2
• Date: Thu, 19 Mar 2026 08:46:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-20 12:39:48.203638
• 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
• Abstract要約: 人間のポーズ推定(HPE)のための現在の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 millimeter-wave (mmWave) datasets for human pose estimation (HPE) are scarce and lack diversity in both point cloud (PC) attributes and human poses, hindering 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 LiDAR datasets. EMDUL consists of two independent modules, namely a pseudo-label estimator to annotate unlabeled mmWave data, and a closed-form converter that translates an annotated LiDAR PC to its mmWave counterpart. Expanding the original dataset with both LiDAR-converted and pseudo-labeled mmWave PCs significantly boosts the performance and generalization ability of all the examined HPE models, reducing 15.1% and 18.9% error for in-domain and out-of-domain settings, respectively. Code is available at https://github.com/Shimmer93/EMDUL.
• Abstract（参考訳）: ヒトのポーズ推定(HPE)のための現在のミリ波データセットは、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2つの独立したモジュール、すなわち、ラベルなしのmmWaveデータを注釈付けするための擬似ラベル推定器と、注釈付きLiDAR PCをそのmmWaveに変換するクローズドフォーム変換器で構成されている。 元のデータセットをLiDAR変換と疑似ラベル付き mmWave PCの両方で拡張することで、すべての検討されたHPEモデルの性能と一般化能力が大幅に向上し、ドメイン内設定とドメイン外設定のエラーをそれぞれ15.1%と18.9%削減した。 コードはhttps://github.com/Shimmer93/EMDULで入手できる。

関連論文リスト

• ROMNet: a hybrid reduced order modeling and machine learning approach to waveform inversion [53.79823394212125]
  波形インバージョンは、不均一で到達不能な媒体の波速を推定しようとする。 ROMNetと呼ばれる手法を導入し,数値シミュレーションで検証する。 ROMNet と直接 ROM ベースの逆変換と FWI に対する2つの代表的な深層学習手法を比較した。
  論文  参考訳（メタデータ） (2026-08-25T21:13:39Z)
• Can Language Models Understand mmWave Data? Benchmarking Large Language Models for mmWave Radar-Based Human Understanding [10.030428824910034]
  大規模言語モデル(LLM)は、顕著な推論と生成能力を示している。 言語条件付きmmWave人間の知覚のための最初のベンチマークであるmmWave-QAを提案する。
  論文  参考訳（メタデータ） (2026-08-14T10:49:39Z)
• DAP: Doppler-aware Point Network for Heterogeneous mmWave Action Recognition [42.97701141999221]
  ミリ波レーダは、プライバシ保護センシングを提供し、ヒューマンアクション認識(HAR)に有用である 既存のmmWaveポイントクラウドデータセットはスケールが限られており、ほとんどが単一ソース設定で収集される。 このような問題に対処するために,Millimeter-HARは,異種マルチソースシナリオのための最大かつ最初のmmWaveポイントクラウドHARデータセットである。
  論文  参考訳（メタデータ） (2026-05-10T15:34:53Z)
• DGHMesh: A Large-scale Dual-radar mmWave Dataset and Generalization-focused Benchmark for Human Mesh Reconstruction [18.76080336280935]
  本稿ではDGHMeshについて述べる。DGHMeshは大規模なデュアルレーダーmmWaveデータセットであり、HMRの一般化中心のベンチマークである。 これは、FMCWレーダー、SFCWレーダー、RGB画像、高精度3D HMRアノテーションから収集された36万の同期フレームを含む、8つのアクションを実行する15人の被験者のデータを含んでいる。 DGHMeshをベースとして,HMRのための点雲と撮像管を併用したクエリベースのマルチレーダ融合フレームワークmmPTMを提案する。
  論文  参考訳（メタデータ） (2026-04-19T13:10:48Z)
• 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)
• PolSAM: Polarimetric Scattering Mechanism Informed Segment Anything Model [83.35198885088093]
  PolSARデータは、そのリッチで複雑な特徴のために、ユニークな課題を提示する。 複素数値データ、偏光特性、振幅画像などの既存のデータ表現が広く使われている。 PolSARのほとんどの機能抽出ネットワークは小さく、機能を効果的にキャプチャする能力を制限している。 本稿では,ドメイン固有の散乱特性と新規なプロンプト生成戦略を統合したSegment Anything Model (SAM) であるPolarimetric Scattering Mechanism-Informed SAM (PolSAM)を提案する。
  論文  参考訳（メタデータ） (2024-12-17T09:59:53Z)
• 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)
• Unsupervised Person Re-Identification with Wireless Positioning under Weak Scene Labeling [131.18390399368997]
  本稿では、弱いシーンラベリングの下で、視覚データと無線位置決めトラジェクトリの両方を用いて、教師なしの人物再識別を探索することを提案する。 具体的には、視覚データと無線情報の相補性をモデル化した、新しい教師なしマルチモーダルトレーニングフレームワーク(UMTF)を提案する。 我々のUMTFには、MMDA(Multimodal Data Association Strategy)とMMGN(Multimodal Graph Neural Network)が含まれている。
  論文  参考訳（メタデータ） (2021-10-29T08:25:44Z)

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。