論文の概要: Real-time fall detection based on vision for low-power edge platforms
- arxiv url: http://arxiv.org/abs/2607.12909v1
- Date: Tue, 14 Jul 2026 15:43:41 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-15 17:08:30.215359
- Title: Real-time fall detection based on vision for low-power edge platforms
- Title（参考訳）: 低消費電力エッジプラットフォームにおけるビジョンに基づくリアルタイム転倒検出
- Abstract要約: 転倒検知は、高齢者のケアとインテリジェントな監視にとって不可欠である。
一般的な視覚ベースのアプローチは、主に静的ポーズ分類または離散時間パターンマッチングとして構成する。
本稿では, 転倒を安定化イベントとして再放送する物理情報を用いた転倒検出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）: 7.916664096508434
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Falling detection is vital for elderly care and intelligent surveillance; however, prevailing vision-based approaches predominantly frame it as static pose classification or discrete temporal pattern matching, fundamentally overlooking the instability dynamics of the human support system. This paper proposes a physics-informed falling detection framework that recasts falling as a stability-loss event in a coupled dynamical system. We introduce a novel dual-LTC architecture comprising a Center-of-Mass (CoM) subsystem and a Base-of-Support (BoS) subsystem, both instantiated as Liquid Time-Constant (LTC) neural networks to continuously model inertial trajectory evolution and ground-contact adjustment through adaptive time constants, Physical interpretability of falling motion. A learnable coupling module emulates physical interaction between the two subsystems, while a Stability Manifold classifier operates in the joint latent space to detect boundary crossing via Lyapunov-inspired stability metrics. Complementary counterfactual trajectory projection and Time-to-Collision (TTC) estimation further enable irreversibility assessment and early warning. The architecture is designed to support a three-state prediction paradigm (Normal, Falling, Fallen); in this preliminary study, we validate the core stability discrimination capability on a two-class dataset (Normal vs. Falling), leaving the full three-state temporal transition to future work. Unlike conventional CNN--RNN pipelines, the proposed formulation encodes continuous-time mechanical inertia, yielding a sub-50K-parameter network capable of real-time inference on resource-constrained edge devices. Extensive experiments demonstrate competitive accuracy with superior physical interpretability, validating its efficacy for low-compute visual fall detection.
- Abstract（参考訳）: 転倒検出は、高齢者のケアや知的監視にとって不可欠であるが、視覚に基づくアプローチは、主に静的ポーズ分類または離散時間パターンマッチングとして、人間のサポートシステムの不安定なダイナミクスを根本的に見落としている。
本稿では,結合力学系における安定損失事象として転倒をリキャストする物理情報を用いた転倒検出フレームワークを提案する。
本稿では,Center-of-Mass(CoM)サブシステムとBase-of-Support(BoS)サブシステムを組み合わせた新しいデュアルLTCアーキテクチャを提案する。
学習可能なカップリングモジュールは2つのサブシステム間の物理的相互作用をエミュレートする一方、安定マニフォールド分類器はラプノフにインスパイアされた安定性メトリクスを介して境界交差を検出する。
補完的対物軌道投影とTTC(Time-to-Collision)推定は、さらに可逆性評価と早期警告を可能にする。
このアーキテクチャは,3状態予測パラダイム(Normal, Falling, Fallen)をサポートするように設計されている。
従来のCNN-RNNパイプラインとは異なり、提案された定式化は連続的な機械的慣性を符号化し、リソース制約エッジデバイス上でリアルタイムに推論できる50K以下のパラメータネットワークを生成する。
大規模な実験は、より優れた物理的解釈可能性を持つ競争精度を示し、低計算量視覚的転倒検出の有効性を検証した。
関連論文リスト
- SurgVista: Long-Horizon Surgical World Modeling with Plausible Instrument-Tissue Dynamics [49.771521708359955]
SurgVistaは、空間的相互作用の不整合と時間的忠実性の崩壊を緩和する外科的世界モデルである。
それは、視覚的品質、時間的一貫性、相互作用の忠実性にまたがる最先端の手法を一貫して上回ります。
論文 参考訳（メタデータ） (2026-06-18T07:47:28Z) - From Contrast to Consistency: Rethinking Event-based Continuous-Time Optical Flow Estimation [39.022447753493346]
イベントベースのカメラは、明るさの変化を非同期に捉え、微妙な時間的精度で動きをモデル化するユニークな機会を提供する。
時空間構造整合性(STSC)の原理に基づく連続時間光フロー推定のためのハイブリッド制御フレームワークを提案する。
提案手法は,学習パラダイムの有効性を実証し,連続時間および標準光フロー推定における最先端性能を実現する。
論文 参考訳（メタデータ） (2026-05-25T08:24:23Z) - High-Dimensional Latents Should Be Diagnosed Through Phase Structure [56.362776482614976]
スピングラス理論のレンズによるオートエンコーダと変分オートエンコーダの潜在空間について検討した。
固定復号器用の潜時空間スピングラス辞書を定式化する。
トポロジカルな自明化機構のエッジ・オブ・ステイティに向けて潜伏系を駆動することは、下流に具体的な結果をもたらすことを示す。
論文 参考訳（メタデータ） (2026-05-23T06:17:23Z) - CaC: Advancing Video Reward Models via Hierarchical Spatiotemporal Concentrating [49.94171749437024]
本稿では,ビジョンランゲージモデルに基づく粗大な異常報酬モデルである集中と集中(CaC)を提案する。
フレーム単位のバウンディングボックスアノテーション,時間的異常ウィンドウ,微粒な属性ラベルを備えた,最初の大規模ビデオ異常データセットを構築した。
実験では、CaCは微妙な異常に安定して集中することができ、微細な異常ベンチマークの精度が25.7%向上した。
論文 参考訳（メタデータ） (2026-05-12T08:08:33Z) - Stabilizing Temporal Inference Dynamics for Online Surgical Phase Recognition [42.76777398447746]
オンライン外科的位相認識(SPR)モデルはフレームの精度が高いが、その予測は時間的安定性に欠けることが多い。
この不安定性はランダムノイズではなく、2つのメカニズムから生じることを示す。
モデルに依存しないプラグイン・アンド・プレイコンポーネントを用いて時間的推論ダイナミクスを明示的に安定化する統合トレイン・推論・評価フレームワークを提案する。
論文 参考訳（メタデータ） (2026-05-11T16:56:15Z) - LaST-VLA: Thinking in Latent Spatio-Temporal Space for Vision-Language-Action in Autonomous Driving [21.38662345656532]
VLA(Vision-Language-Action)モデルは、認識と計画の統合によって自動運転に革命をもたらした。
明示的なテキスト・オブ・ワット(CoT)への依存は、意味的・知覚的疎結合と知覚的・象徴的対立につながる。
潜在的推論への最近のシフトは、連続的な隠れ空間で考えることによって、これらのボトルネックを回避しようとする。
論文 参考訳（メタデータ） (2026-03-02T14:42:36Z) - LyTimeT: Towards Robust and Interpretable State-Variable Discovery [7.505092370141079]
LyTimeTは、解釈可能な変数抽出のためのフレームワークである。
動的ビデオシステムの堅牢で安定した潜伏表現を学習する。
その結果,時間的注意と安定性の制約を組み合わせることで,予測モデルが得られることがわかった。
論文 参考訳（メタデータ） (2025-10-22T16:03:10Z) - PHASE-Net: Physics-Grounded Harmonic Attention System for Efficient Remote Photoplethysmography Measurement [63.007237197267834]
既存のディープラーニング手法は、主に生理学的モニタリングであり、理論的な堅牢性を欠いている。
本研究では,Navier-Stokes方程式のヘモダイナミックスから導かれる物理インフォームド r パラダイムを提案し,パルス信号が2次系に従うことを示す。
これは、時間的円錐ネットワーク(TCN)を使用する理論的正当性を提供する。
Phase-Netは高い効率で最先端のパフォーマンスを実現し、理論上は基礎的でデプロイ可能な r ソリューションを提供する。
論文 参考訳（メタデータ） (2025-09-29T14:36:45Z) - Adaptive Dual Uncertainty Optimization: Boosting Monocular 3D Object Detection under Test-Time Shifts [80.32933059529135]
TTA(Test-Time Adaptation)メソッドが出現し、推論中にターゲット分布に適応する。
我々は、堅牢なM3ODの両不確実性を共同で最小化するために設計された、最初のTTAフレームワークであるDual Uncertainity Optimization (DUO)を提案する。
並列に,明瞭な意味的手がかりを持つ領域における幾何学的コヒーレンスを保存する意味認識型正規場制約を設計する。
論文 参考訳（メタデータ） (2025-08-28T07:09:21Z) - Anomaly Detection in Complex Dynamical Systems: A Systematic Framework Using Embedding Theory and Physics-Inspired Consistency [0.0]
複雑な力学系における異常検出は、産業やサイバー物理のインフラにおける信頼性、安全性、効率を確保するために不可欠である。
本稿では,古典的な埋め込み理論と物理に着想を得た一貫性原理を基礎としたシステム理論による異常検出手法を提案する。
本研究は, 異常が安定系の力学を阻害する仮説を支持し, 異常検出のためのロバストな信号を提供する。
論文 参考訳（メタデータ） (2025-02-26T17:06:13Z) - Neural Interaction Energy for Multi-Agent Trajectory Prediction [55.098754835213995]
ニューラル・インタラクション・エナジー(MATE)によるマルチエージェント軌道予測(Multi-Agent Trajectory Prediction)というフレームワークを導入する。
MATEは神経相互作用エネルギーを用いてエージェントの対話運動を評価する。
時間的安定性を高めるために,エージェント間相互作用制約とエージェント内動作制約という2つの制約を導入する。
論文 参考訳（メタデータ） (2024-04-25T12:47:47Z)
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。