論文の概要: DistillH-Mamba: A Hypergraph-Mamba-Based Knowledge Distillation Model for Efficient Impact Fall Detection

• arxiv url: http://arxiv.org/abs/2607.03156v1
• Date: Fri, 03 Jul 2026 09:56:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-07 22:26:29.53554
• Title: DistillH-Mamba: A Hypergraph-Mamba-Based Knowledge Distillation Model for Efficient Impact Fall Detection
• Title（参考訳）: DistillH-Mamba: 高速衝突落検出のためのハイパーグラフマンバに基づく知識蒸留モデル
• Abstract要約: 高齢者の転倒は、その有病率、結果、社会的負担による公衆衛生上の重大な懸念を表している。 3つの重要なイノベーションを通じてこれらの課題に対処する,インパクトフォール検出のための新しいアーキテクチャであるDistillH-Mambaを提案する。 まず,複数関節間の高次関係を同時に捉えるハイパーグラフに基づく手法を提案する。 第2に、Mambaアーキテクチャとハイパーグラフを統合して、影響検出を行い、処理速度を大幅に高速化する。 第3に、リアルタイムの衝撃落下検出に対する計算要求を低減しつつ、重要な空間的・時間的関係を保った関係知識蒸留を用いる。
• 参考スコア（独自算出の注目度）: 1.1654568410166084
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Falls among the elderly represent a significant public health concern due to their prevalence, consequences, and societal burden. While deep learning has improved fall detection, accurately identifying impact moments (when an individual hits the ground) remains challenging. Additionally, current algorithms often rely on complex models with high computational demands, limiting real-time deployment feasibility. In this work, we propose DistillH-Mamba, a novel architecture for impact fall detection that addresses these challenges through three key innovations: First, we introduce a hypergraph-based approach that captures higher-order relationships between multiple joints simultaneously, enabling more accurate modeling of complex interactions during impact falls. Second, we integrate the Mamba architecture with hypergraphs for impact detection, significantly accelerating processing speed while efficiently capturing both long-term dependencies and sudden skeletal motion changes. Third, we employ relational knowledge distillation that preserves crucial spatial-temporal relationships while reducing computational demands for real-time impact fall detection. Evaluated on the 3D Skeletons UP-Fall and UMAFall datasets, our DistillH-Mamba model achieves 97.38% accuracy in detecting impact within fall events and 73.8% reduction in inference time compared to its teacher model, outperforming state-of-the-art methods in both precision and efficiency.
• Abstract（参考訳）: 高齢者の転倒は、その有病率、結果、社会的負担による公衆衛生上の重大な懸念を表している。 深層学習は転倒の検出を改善したが、(個人が地面にぶつかったとき)影響モーメントを正確に識別することは依然として困難である。 さらに、現在のアルゴリズムは、しばしば計算要求の高い複雑なモデルに依存し、リアルタイムのデプロイメントの実現可能性を制限する。 本稿では,3つの重要なイノベーションを通じてこれらの課題に対処する,インパクトフォール検出のための新しいアーキテクチャであるDistillH-Mambaを提案する。 第2に,Mambaアーキテクチャをハイパーグラフと統合して影響検出を行い,処理速度を大幅に向上し,長期的依存と突然の骨格運動の変化を効果的に捉えた。 第3に、リアルタイムの衝撃落下検出に対する計算要求を低減しつつ、重要な空間的・時間的関係を保った関係知識蒸留を用いる。 3D Skeletons UP-Fall と UMAFall のデータセットから評価した結果,DitulH-Mamba モデルでは,転倒イベントによる影響を検出する精度が97.38%,教師モデルと比較して推論時間が73.8%低下し,精度と効率の両面で最先端の手法よりも優れていた。

関連論文リスト

• FLASH: Efficient Impact Fall Detection with Unified Hypergraph State-Space Model [1.2731778729620478]
  既存の手法では、グラフニューラルネットワークのモデリングはペアのジョイント接続のみに依存している。 本研究では,単一行列ハイパーグラフ表現をMambaの選択状態空間モデルと統合する新しいフレームワークFLASHを提案する。 UP-FallデータセットとUMAFallデータセットの実験は、FLASHがリアルタイム推論能力で最先端の精度を達成することを示した。
  論文  参考訳（メタデータ） (2026-07-28T14:43:07Z)
• Impact Detection in Fall Events: Leveraging Spatio-Temporal Graph Convolutional Networks and Recurrent Neural Networks Using 3D Skeletons Data [1.1654568410166084]
  転倒は65歳以上の人の間で大きな事故死のリスクがあり、世界的な健康上の懸念が浮かび上がっている。 本研究では,3次元関節骨格データをグラフとして利用することにより,転倒イベント内の影響を正確に検出する手法を提案する。 我々のアプローチは、誤った転倒と実際の影響を区別することで精度を高め、より良い医療資源配分に寄与する。
  論文  参考訳（メタデータ） (2026-07-28T13:33:57Z)
• Mask2Cause: Causal Discovery via Adjacency Constrained Causal Attention [0.13764085113103217]
  本稿では,予測前方通過時に,基礎となる因果グラフを直接復元するエンドツーエンドフレームワークを提案する。 推定因果構造を用いて予測モデルのパラメータ数を平均70%以上削減できることを示す。
  論文  参考訳（メタデータ） (2026-05-08T05:43:47Z)
• Modeling Human Skeleton Joint Dynamics for Fall Detection [25.57448683000322]
  ビデオストリームからのフォール検出は、プライバシー問題のために現実のアプリケーションにとって魅力的な選択肢ではない。 骨格関節のような体のキーポイントは、運動力学に関する重要な情報を伝えることができる。 本稿では,人間の骨格関節の時間的関節依存性とダイナミックスを利用して正確な転倒検出を行う,効率的なグラフ畳み込みネットワークモデルを提案する。
  論文  参考訳（メタデータ） (2025-03-10T05:35:56Z)
• Computer-Aided Fall Recognition Using a Three-Stream Spatial-Temporal GCN Model with Adaptive Feature Aggregation [0.5235143203977018]
  転倒予防は現代医療において特に高齢者にとって最重要である。 高齢者の生活を救うためには,コンピュータ支援による転倒検知システムが不可欠である。 本稿では,3流時空間特徴量に基づく転倒検出システムを提案する。
  論文  参考訳（メタデータ） (2024-08-22T08:40:04Z)
• Accommodating Missing Modalities in Time-Continuous Multimodal Emotion Recognition [0.0]
  本稿では,変圧器をベースとした時間連続的に原子価と覚醒を認識可能な新しいアーキテクチャを提案する。 我々は、時間的モダリティ間の関係を強調するために、クロスアテンションと自己アテンションの結合を利用する。
  論文  参考訳（メタデータ） (2023-11-16T09:22:48Z)
• On the Importance of Spatial Relations for Few-shot Action Recognition [109.2312001355221]
  本稿では,空間的関係の重要性を考察し,より正確な数発アクション認識法を提案する。 新たな空間アライメントクロストランス(SA-CT)は、空間関係を再調整し、時間情報を組み込む。 実験の結果, 時間的情報を使用しなくても, SA-CTの性能は3/4ベンチマークの時間的手法に匹敵することがわかった。
  論文  参考訳（メタデータ） (2023-08-14T12:58:02Z)
• Automatic diagnosis of knee osteoarthritis severity using Swin transformer [55.01037422579516]
  変形性膝関節症 (KOA) は膝関節の慢性的な痛みと硬直を引き起こす疾患である。 我々は,Swin Transformer を用いて KOA の重大度を予測する自動手法を提案する。
  論文  参考訳（メタデータ） (2023-07-10T09:49:30Z)
• Lightning Fast Video Anomaly Detection via Adversarial Knowledge Distillation [106.42167050921718]
  本稿では,ビデオ中の異常検出のための非常に高速なフレームレベルモデルを提案する。 複数の高精度なオブジェクトレベルの教師モデルから知識を抽出することで、異常を検出することを学ぶ。 提案モデルでは,これまで聞こえなかった1480 FPSの速度のため,速度と精度の最良のトレードオフを実現している。
  論文  参考訳（メタデータ） (2022-11-28T17:50:19Z)
• Temporal Relevance Analysis for Video Action Models [70.39411261685963]
  まず,CNNに基づく行動モデルにより捉えたフレーム間の時間的関係を定量化する手法を提案する。 次に、時間的モデリングがどのように影響を受けるかをよりよく理解するために、包括的な実験と詳細な分析を行います。
  論文  参考訳（メタデータ） (2022-04-25T19:06:48Z)
• An Enhanced Adversarial Network with Combined Latent Features for Spatio-Temporal Facial Affect Estimation in the Wild [1.3007851628964147]
  本稿では,遅延特徴に基づく時間的モデリングにより,空間的特徴と時間的特徴の両方を効率的に抽出する新しいモデルを提案する。 提案モデルは3つの主要ネットワークから成り,造語生成器,判別器,コンビネータを用いて,適応型アテンションモジュールを実現するために,敵対的な学習環境において訓練を行う。
  論文  参考訳（メタデータ） (2021-02-18T04:10:12Z)
• Consistency Guided Scene Flow Estimation [159.24395181068218]
  CGSFは立体映像からの3次元シーン構造と動きの同時再構成のための自己教師型フレームワークである。 提案モデルでは,課題の画像の相違やシーンフローを確実に予測できることを示す。 最先端技術よりも優れた一般化を実現し、目に見えない領域に迅速かつ堅牢に適応する。
  論文  参考訳（メタデータ） (2020-06-19T17:28:07Z)
• Towards Understanding the Adversarial Vulnerability of Skeleton-based Action Recognition [133.35968094967626]
  骨格に基づく行動認識は、動的状況への強い適応性から注目を集めている。 ディープラーニング技術の助けを借りて、かなり進歩し、現在、良識のある環境で約90%の精度を達成している。 異なる対角的環境下での骨格に基づく行動認識の脆弱性に関する研究はいまだ研究されていない。
  論文  参考訳（メタデータ） (2020-05-14T17:12:52Z)
• Temporal Sparse Adversarial Attack on Sequence-based Gait Recognition [56.844587127848854]
  このような攻撃に対して,最先端の歩行認識モデルが脆弱であることを示す。 生成した対向ネットワークに基づくアーキテクチャを用いて、対向的な高品質な歩行シルエットやビデオフレームを意味的に生成する。 実験結果から, フレームの1分の1しか攻撃されない場合, 対象モデルの精度は劇的に低下することがわかった。
  論文  参考訳（メタデータ） (2020-02-22T10:08:42Z)

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。