論文の概要: Generalization Theory for Through-the-Wall Radar Human Activity Recognition

• arxiv url: http://arxiv.org/abs/2607.08144v1
• Date: Thu, 09 Jul 2026 06:29:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-10 14:45:27.425872
• Title: Generalization Theory for Through-the-Wall Radar Human Activity Recognition
• Title（参考訳）: 壁面レーダの人間活動認識のための一般化理論
• Authors: Weicheng Gao,
• Abstract要約: through-the-wall radar (TWR) human activity recognition (HAR) は、非視線屋内センシング、セキュリティ監視、緊急救助において重要である。 人物の変動、観察視点の変化、壁面条件の変化による構造的分布変化は、認識一般化を著しく低下させる。 本稿では,TWR HARの一般化分析フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 1.3706331473063882
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Through-the-wall radar (TWR) human activity recognition (HAR) is important for non-line-of-sight indoor sensing, security monitoring, and emergency rescue. However, structured distribution shifts caused by person variation, observation-view variation, and wall-condition variation severely degrade recognition generalization, while the origin of the target-domain error still lacks a rigorous theoretical explanation. To address this issue, a generalization-analysis framework for TWR HAR is proposed in this paper. First, models for indoor human kinematics, TWR echo generation, radar image formation, feature representation, and bounded-weight neural networks are established within a unified source-to-target learning formulation. Then, the source risk, target risk, empirical risk, and admissible physical domain descriptor are defined, and a unified target-domain generalization bound is derived. Next, the structured shift term is decomposed into cross-person, cross-view, and cross-wall components, and the bound-tightening effects of physical low-dimensional representations, multi-source training, and parameter-space coverage are analyzed. Simulated and measured experiments jointly support the resulting theoretical analysis and illustrate its application value.
• Abstract（参考訳）: through-the-wall radar (TWR) human activity recognition (HAR) は、非視線屋内センシング、セキュリティ監視、緊急救助において重要である。 しかし, 個人差, 観察視点変動, 壁面条件変動による構造的分布変化は認識一般化を著しく低下させるが, 対象領域誤差の起源には厳密な理論的説明がない。 本稿では,TWR HARの一般化分析フレームワークを提案する。 まず,屋内の人体運動学モデル,TWRエコー生成,レーダ画像形成,特徴表現,および有界重み付きニューラルネットワークを,統合されたソース・ターゲット学習の定式化の中で確立する。 そして、ソースリスク、ターゲットリスク、経験的リスク、許容可能な物理ドメイン記述子を定義し、統一されたターゲットドメイン一般化境界を導出する。 次に、構造化されたシフト項を、クロスパーソン、クロスビュー、クロスウォールコンポーネントに分解し、物理的低次元表現、マルチソーストレーニング、パラメータ空間カバレッジの拘束性の効果を解析する。 シミュレーションおよび測定実験は、結果の理論的分析を共同で支援し、その応用価値を説明する。

関連論文リスト

• Human-Machine Collaboration on Generative Meta-Learning: Model and Algorithm [22.212135025785244]
  機械学習モデルをトレーニングディストリビューションとは異なる環境に一般化することは、依然として重要なハードルである。 本稿では,データ合成の指導に専門家の直観を活用することによって,この領域のギャップを埋める新しいフレームワークであるGMHF(Generative Meta-Learning with Human Feedback)を提案する。
  論文  参考訳（メタデータ） (2026-07-01T13:29:54Z)
• Fair Deepfake Detectors Can Generalize [51.21167546843708]
  共同設立者(データ分散とモデルキャパシティ)の制御により,公正な介入による一般化が向上することを示す。 この知見を応用して, 逆正当性重み付けとサブグループワイド特徴正規化を併用し, 新たなアライメント・アライメント・アライメント・アライメント・アライメント・アライメント・アライメント・アライメント・インセンティブ・インターベンション・インベンション・インテクション(DAID)を提案する。 DAIDは、いくつかの最先端技術と比較して、公平性と一般化の両方において一貫して優れた性能を達成する
  論文  参考訳（メタデータ） (2025-07-03T14:10:02Z)
• Partial Transportability for Domain Generalization [56.37032680901525]
  本稿では, 部分的同定と輸送可能性の理論に基づいて, 対象分布の関数値の有界化に関する新たな結果を紹介する。 我々の貢献は、輸送可能性問題に対する最初の一般的な評価手法を提供することである。 本稿では,スケーラブルな推論を実現するための勾配に基づく最適化手法を提案する。
  論文  参考訳（メタデータ） (2025-03-30T22:06:37Z)
• Unsupervised Structural-Counterfactual Generation under Domain Shift [1.9652313502216219]
  本稿では,ソース領域からの事実観測に基づいて,対象領域における対実サンプルの生成という,新たな生成モデル課題を提案する。 本フレームワークは, 対象領域からの影響-内在変数の後方分布と, 対象領域からの領域-内在変数の事前分布とを組み合わせて, 所望の反事実を合成する。
  論文  参考訳（メタデータ） (2025-02-17T16:48:16Z)
• Generalization Ability Analysis of Through-the-Wall Radar Human Activity Recognition [13.144740296860267]
  through-the-Wall radar (TWR) Human Activity Recognition (HAR) は、低周波超広帯域(UWB)信号を用いて室内の人間の動きを検出し、分析する技術である。 本稿では,TWR HARの一般化能力について述べる。
  論文  参考訳（メタデータ） (2024-10-10T02:29:10Z)
• Stability and Generalization Analysis of Gradient Methods for Shallow Neural Networks [59.142826407441106]
  本稿では,アルゴリズム安定性の概念を活用して,浅層ニューラルネットワーク(SNN)の一般化挙動について検討する。 我々は、SNNを訓練するために勾配降下(GD)と勾配降下(SGD)を考慮する。
  論文  参考訳（メタデータ） (2022-09-19T18:48:00Z)
• Relation Matters: Foreground-aware Graph-based Relational Reasoning for Domain Adaptive Object Detection [81.07378219410182]
  我々は、FGRR(Fearground-aware Graph-based Reasoning)というドメインDのための新しい汎用フレームワークを提案する。 FGRRはグラフ構造を検出パイプラインに組み込んで、ドメイン内およびドメイン間フォアグラウンドオブジェクト関係を明示的にモデル化する。 実験の結果、提案したFGRRは4つのDomainDベンチマークの最先端よりも優れていることが示された。
  論文  参考訳（メタデータ） (2022-06-06T05:12:48Z)
• Handling Distribution Shifts on Graphs: An Invariance Perspective [78.31180235269035]
  我々は、グラフ上のOOD問題を定式化し、新しい不変学習手法である探索・拡張リスク最小化(EERM)を開発する。 EERMは、複数の仮想環境からのリスクの分散を最大化するために、敵対的に訓練された複数のコンテキストエクスプローラーを利用する。 理論的に有効なOOD解の保証を示すことによって,本手法の有効性を実証する。
  論文  参考訳（メタデータ） (2022-02-05T02:31:01Z)
• Learning Domain Invariant Representations for Generalizable Person Re-Identification [71.35292121563491]
  ReID(Generalizable person Re-Identification)は、最近のコンピュータビジョンコミュニティで注目を集めている。 DIR-ReID(Domain Invariant Representations for Generalizable Person Re-Identification)という新しい一般化フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-03-29T18:59:48Z)

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。