論文の概要: Dual-Attention and Adversarial Transfer Networks for Sim-to-Real Cross-Orientation Wireless Sensing

• arxiv url: http://arxiv.org/abs/2608.05664v1
• Date: Thu, 06 Aug 2026 07:00:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-07 15:25:20.828649
• Title: Dual-Attention and Adversarial Transfer Networks for Sim-to-Real Cross-Orientation Wireless Sensing
• Title（参考訳）: 双方向無線センシングのためのデュアルアテンションとアドバイザリトランスファーネットワーク
• Abstract要約: 本研究では,一方向運動から多方向無線トレーニングデータを合成する物理誘導シミュレータを開発した。 また,デュアルリンクドップラー分光器から,行動識別・指向性ロバスト表現を抽出するデュアルアテンションネットワークを提案する。 S2M-Senseは、デュアルリンクマルチオリエンテーションシミュレーションデータセットのみを使用して88.33%の認識精度を達成する。
• 参考スコア（独自算出の注目度）: 12.205084145418859
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Millimeter-wave human activity recognition suffers significant performance degradation when the user's orientation changes relative to the sensing system, yet collecting labeled multi-orientation data is labor-intensive and costly. To eliminate the need for exhaustive multi-orientation measured data, we develop a physics-guided simulator that synthesizes orientation-diverse wireless training data from single-orientation motion. Specifically, to suppress orientation-induced feature variations, we propose a dual-attention network that extracts activity-discriminative and orientation-robust representations from dual-link Doppler spectrograms. To bridge the simulation-to-reality gap, we introduce an adversarial unsupervised transfer learning mechanism that aligns feature distributions using only a small number of unlabeled target-domain samples. The S2M-Sense platform shows high fidelity in reproducing real-world signatures, validated against 60.48 GHz mmWave measured data with an average structural similarity index measure (SSIM) of 0.84 between simulated and measured Doppler spectrograms across all 4 activities and 4 orientations. Experimental results show that S2M-Sense achieves 88.33% recognition accuracy using only the dual-link multi-orientation simulated dataset, which improves to 95% after simulation-to-reality transfer learning with as few as 16 unlabeled measured samples. Both cases with and without transfer learning outperform state-of-the-art cross-domain sensing methods.
• Abstract（参考訳）: ミリ波ヒューマンアクティビティ認識は、センサシステムに対してユーザの向きが変化すると、大幅な性能劣化を被るが、ラベル付き多方向データ収集は、労働集約的でコストがかかる。 本研究では,全方位計測データの必要性を解消するため,一方向運動から多方向無線トレーニングデータを合成する物理誘導シミュレータを開発した。 具体的には,2重リンクドップラー・スペクトログラムから,2重リンクドップラーの行動識別・指向性ロバスト表現を抽出する2重アテンション・ネットワークを提案する。 シミュレーションと現実のギャップを埋めるために,少数の未ラベル対象ドメインサンプルを用いて特徴分布を整列する非教師ありトランスファー学習機構を導入する。 S2M-Senseプラットフォームは、実世界のシグネチャを再現する際の忠実度が高く、すべての4つのアクティビティと4つの方向のドップラー分光図間の平均構造類似度指数(SSIM)が0.84である60.48 GHz mmWaveの測定データに対して検証されている。 実験結果から,S2M-Senseは2リンクマルチオリエンテーション・シミュレート・データセットのみを用いて88.33%の認識精度を達成し,実測値が16サンプル未満のシミュレーション-実測変換学習で95%に向上した。 伝達学習と非伝達学習の両方のケースは、最先端のクロスドメインセンシング方法より優れている。

関連論文リスト

• Mind the Rift: Cross-Scale Coupling Mismatch for AI-Generated Video Detection [10.264738258468254]
  クロススケールカップリングミスマッチは新しい法医学的信号である。 自然ビデオでは、マクロレベルの時間的ダイナミクスとマイクロレベルの残留パターンは、統合されたイメージング物理パイプラインによって本質的に結合される。 しかし、この共同分布を明示的に保持していないトレーニング目的を持つAIジェネレータは、この結合を体系的に違反する。 このようなミスマッチの検出は、両方のスケールで独立して情報を抽出する必要があるため、難しい。
  論文  参考訳（メタデータ） (2026-09-01T05:23:48Z)
• WiFuse: An Attention Mechanism for Human Activity Recognition using Fused CSI Amplitude and Delay-Doppler Channel Features [1.0554048699217669]
  WiFuseは、人間の活動認識のためのデュアルストリームチャネル状態情報フレームワークである。 デュアルストリーム戦略内で振幅と遅延ドップラー表現をペアリングし、転送学習によって強化される。 XRF55データセットの4つの環境で最高95.28%、マルチユーザWi-MIRデータセットで最大98.20%に達する。
  論文  参考訳（メタデータ） (2026-08-01T12:54:09Z)
• TactSpace: Learning a Physics-enriched Shared Latent Space for Tactile Sim-to-Real Transfer [8.357674069719524]
  共用潜在空間内での不均一な触覚を整列する多モード表現学習フレームワークを提案する。 本手法では, 様々な触覚観測を共通埋め込み空間に投影するために, モダリティ特異的エンコーダを用いる。 本結果は, 物理的に異なる表現間のゼロショットsim-to-real転送を実証する。
  論文  参考訳（メタデータ） (2026-06-17T11:41:27Z)
• BabyMamba-HAR: Lightweight Selective State Space Models for Efficient Human Activity Recognition on Resource Constrained Devices [0.0]
  ウェアラブルおよびモバイルデバイス上のヒューマンアクティビティ認識(HAR)は、メモリフットプリントと計算予算によって制限される。 選択状態空間モデル(SSM)は入力依存ゲーティングによる線形時間列処理を提供する。 BabyMamba-HARは、リソース制約されたHARのための2つの新しい軽量なMambaインスパイアされたアーキテクチャからなるフレームワークである。
  論文  参考訳（メタデータ） (2026-02-10T15:16:32Z)
• Flexible Gravitational-Wave Parameter Estimation with Transformers [73.44614054040267]
  本稿では,予測時間における多様な解析設定への適応を可能にする,フレキシブルトランスフォーマーベースのアーキテクチャをトレーニング戦略と組み合わせて導入する。 我々は、Dingo-T1と呼ばれる単一のフレキシブルモデルが、第3のLIGO-Virgo-KAGRA観測ランから48の重力波イベントを解析できることを実証した。
  論文  参考訳（メタデータ） (2025-12-02T17:49:08Z)
• Domain Adaptive Synapse Detection with Weak Point Annotations [63.97144211520869]
  弱点アノテーションを用いたドメイン適応型シナプス検出のためのフレームワークであるAdaSynを提案する。 I SBI 2023のWASPSYNチャレンジでは、我々の手法が第1位にランクインした。
  論文  参考訳（メタデータ） (2023-08-31T05:05:53Z)
• S2R-ViT for Multi-Agent Cooperative Perception: Bridging the Gap from Simulation to Reality [41.25312194294171]
  本稿では,S2R-ViT と名付けられた新しい視覚変換器を用いて,マルチエージェント協調認識のための第1から第1の現実への変換学習フレームワークを提案する。 OPV2VとV2V4Realの公共マルチエージェント協調認識データセットに関する実験により,提案したS2R-ViTがシミュレーションから現実へのギャップを効果的に埋めることを示す。
  論文  参考訳（メタデータ） (2023-07-16T03:54:10Z)
• Joint Spatial-Temporal and Appearance Modeling with Transformer for Multiple Object Tracking [59.79252390626194]
  本稿ではTransSTAMという新しい手法を提案する。Transformerを利用して各オブジェクトの外観特徴とオブジェクト間の空間的時間的関係の両方をモデル化する。 提案手法はMOT16, MOT17, MOT20を含む複数の公開ベンチマークで評価され, IDF1とHOTAの両方で明確な性能向上を実現している。
  論文  参考訳（メタデータ） (2022-05-31T01:19:18Z)
• Towards Scale Consistent Monocular Visual Odometry by Learning from the Virtual World [83.36195426897768]
  仮想データから絶対スケールを取得するための新しいフレームワークであるVRVOを提案する。 まず、モノクロ実画像とステレオ仮想データの両方を用いて、スケール対応の異種ネットワークをトレーニングする。 結果として生じるスケール一貫性の相違は、直接VOシステムと統合される。
  論文  参考訳（メタデータ） (2022-03-11T01:51:54Z)
• Vertical Federated Edge Learning with Distributed Integrated Sensing and Communication [40.84033154889936]
  本文は, 協調物体・人体動作認識のための垂直フェデレーションエッジ学習(FEEL)システムについて検討する。 このシステムでは、分散エッジデバイスがまず無線信号を送信し、対象物や人間を検知し、次に中間計算ベクトルを交換して協調認識を行う。 人間の動作認識タスクを考慮し,我々の縦型FEELによるアプローチは,評価精度を最大98%向上し,ベンチマークよりも最大8%向上した。
  論文  参考訳（メタデータ） (2022-01-21T02:05:07Z)
• Domain Adaptive Robotic Gesture Recognition with Unsupervised Kinematic-Visual Data Alignment [60.31418655784291]
  本稿では,マルチモダリティ知識,すなわちキネマティックデータとビジュアルデータを同時にシミュレータから実ロボットに伝達できる,教師なしドメイン適応フレームワークを提案する。 ビデオの時間的手がかりと、ジェスチャー認識に対するマルチモーダル固有の相関を用いて、トランスファー可能な機能を強化したドメインギャップを修復する。 その結果, 本手法は, ACCでは最大12.91%, F1scoreでは20.16%と, 実際のロボットではアノテーションを使わずに性能を回復する。
  論文  参考訳（メタデータ） (2021-03-06T09:10:03Z)
• MetricUNet: Synergistic Image- and Voxel-Level Learning for Precise CT Prostate Segmentation via Online Sampling [66.01558025094333]
  本稿では,前立腺領域を高速に局在させる第1段階と,前立腺領域を正確に区分する第2段階の2段階のフレームワークを提案する。 マルチタスクネットワークにおけるボクセルワイドサンプリングによる新しいオンラインメトリック学習モジュールを提案する。 本手法は,従来のクロスエントロピー学習法やDice損失学習法と比較して,より代表的なボクセルレベルの特徴を効果的に学習することができる。
  論文  参考訳（メタデータ） (2020-05-15T10:37:02Z)

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。