論文の概要: WiFlow: Estimating Optical Flow using WiFi Channel State Information

• arxiv url: http://arxiv.org/abs/2609.02452v1
• Date: Wed, 02 Sep 2026 11:19:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-03 17:53:18.241848
• Title: WiFlow: Estimating Optical Flow using WiFi Channel State Information
• Title（参考訳）: WiFlow:WiFiチャネル状態情報を用いた光フロー推定
• Abstract要約: 光フロー推定のためのカメラフレームの代わりに、WiFiチャネル状態情報(CSI)を用いて検討する。 我々は,CSIに基づくフロー推定器であるWiFlowと,CSIのプリプロセッサ評価と,精度と複雑性の異なるトレードオフを提供する3つのモデルアーキテクチャを提案する。
• 参考スコア（独自算出の注目度）: 13.610306535193429
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Knowing where and how fast objects are moving within a scene is important across various domains. Usually, cameras are used to capture the data necessary for this task, but adding cameras often raises privacy concerns, and the quality of captured frames is heavily influenced by lighting conditions. In this work, we explore using WiFi channel state information (CSI) instead of camera frames for optical flow estimation. We propose WiFlow, a CSI based flow estimator, a preprocessor evaluation for CSI, and three model architectures that offer different trade-offs between accuracy and complexity. Further, we create the first dataset for training and evaluating CSI-based optical flow estimators, and our experiments provide insights into key design elements for this task. Code and data are available at https://visinf.github.io/wiflow.
• Abstract（参考訳）: シーン内でのオブジェクトの移動速度を知ることは、さまざまな領域において重要です。 通常、カメラは、このタスクに必要なデータをキャプチャするために使用されるが、カメラの追加は、しばしばプライバシー上の懸念を生じさせ、捕獲されたフレームの品質は、照明条件に大きく影響される。 本研究では,光フロー推定のためのカメラフレームの代わりに,WiFiチャネル状態情報(CSI)を用いて検討する。 我々は,CSIに基づくフロー推定器であるWiFlowと,CSIのプリプロセッサ評価と,精度と複雑性の異なるトレードオフを提供する3つのモデルアーキテクチャを提案する。 さらに,CSIに基づく光フロー推定器のトレーニングと評価のための最初のデータセットを作成し,本課題の鍵となる設計要素について考察した。 コードとデータはhttps://visinf.github.io/wiflow.orgで公開されている。

関連論文リスト

• DepthFlow: Exploiting Depth-Flow Structural Correlations for Unsupervised Video Object Segmentation [14.635179908525389]
  ビデオオブジェクトセグメンテーション(VOS)は、ビデオ内の最も顕著なオブジェクトを検出することを目的としている。 単一画像から光の流れを合成する新しいデータ生成法であるDepthFlowを提案する。 データ不足問題に対するスケーラブルで効果的なソリューションを実証し、すべての公開VOSベンチマークで最新のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2025-07-26T04:31:16Z)
• BlinkVision: A Benchmark for Optical Flow, Scene Flow and Point Tracking Estimation using RGB Frames and Events [72.25918104830252]
  我々はBlinkVisionを提案する。BlinkVisionは大規模かつ多彩なベンチマークで、複数のモダリティと高密度対応アノテーションを持つ。 BlinkVisionは、フォトリアリスティックなデータを提供し、カメラの揺らぎや変形など、さまざまな自然主義的な要素をカバーしている。 画像ベースとイベントベースの両方の3種類の対応タスク(光学フロー、点追跡、シーンフロー推定)の広範なベンチマークを可能にする。
  論文  参考訳（メタデータ） (2024-10-27T13:59:21Z)
• EventTransAct: A video transformer-based framework for Event-camera based action recognition [52.537021302246664]
  イベントカメラは、RGBビデオの標準アクション認識と比較して、新しい機会を提供する。 本研究では,最初にイベントフレーム当たりの空間埋め込みを取得するビデオトランスフォーマーネットワーク(VTN)という,計算効率のよいモデルを用いる。 イベントデータのスパースできめ細かい性質にVTNをよりよく採用するために、イベントコントラストロス(mathcalL_EC$)とイベント固有の拡張を設計する。
  論文  参考訳（メタデータ） (2023-08-25T23:51:07Z)
• BlinkFlow: A Dataset to Push the Limits of Event-based Optical Flow Estimation [76.66876888943385]
  イベントカメラは、高時間精度、低データレート、高ダイナミックレンジ視覚知覚を提供する。 イベントベース光フローのための大規模データを高速に生成するための新しいシミュレータBlinkSimを提案する。
  論文  参考訳（メタデータ） (2023-03-14T09:03:54Z)
• Optical flow estimation from event-based cameras and spiking neural networks [0.4899818550820575]
  イベントベースセンサーはスパイキングニューラルネットワーク(SNN)に最適である 教師付きトレーニング後,高密度光フロー推定が可能なU-NetライクなSNNを提案する。 分離可能な畳み込みにより、我々は、合理的に正確な光フロー推定が得られる光モデルを開発することができた。
  論文  参考訳（メタデータ） (2023-02-13T16:17:54Z)
• SCFlow: Optical Flow Estimation for Spiking Camera [50.770803466875364]
  スパイキングカメラは、特に高速シーンのモーション推定において、現実の応用において大きな可能性を秘めている。 光フロー推定は画像ベースおよびイベントベースの視覚において顕著な成功を収めているが、既存の手法はスパイクカメラからのスパイクストリームに直接適用することはできない。 本稿では、スパイキングカメラのための光フロー推定のための新しいディープラーニングパイプラインSCFlowについて述べる。
  論文  参考訳（メタデータ） (2021-10-08T06:16:45Z)
• Fusion-FlowNet: Energy-Efficient Optical Flow Estimation using Sensor Fusion and Deep Fused Spiking-Analog Network Architectures [7.565038387344594]
  本稿では,フレームベースとイベントベースの両方のセンサを用いたエネルギー効率の高い光フロー推定のためのセンサ融合フレームワークを提案する。 我々のネットワークは、高価なビデオアノテーションを避けるために教師なし学習を用いてエンドツーエンドで訓練されている。
  論文  参考訳（メタデータ） (2021-03-19T02:03:33Z)
• Learning Monocular Dense Depth from Events [53.078665310545745]
  イベントカメラは、強度フレームではなく、非同期イベントのストリームの形式で輝度を変化させる。 最近の学習に基づくアプローチは、単眼深度予測のようなイベントベースのデータに適用されている。 本稿では,この課題を解決するための繰り返しアーキテクチャを提案し,標準フィードフォワード法よりも大幅に改善されていることを示す。
  論文  参考訳（メタデータ） (2020-10-16T12:36:23Z)
• Feature Flow: In-network Feature Flow Estimation for Video Object Detection [56.80974623192569]
  光の流れはコンピュータビジョンのタスクで広く使われ、ピクセルレベルのモーション情報を提供する。 一般的なアプローチは、ニューラルネットワークへの前向き光学フローと、タスクデータセット上のこのネットワークの微調整である。 ビデオオブジェクト検出のための textbfIn-network textbfFeature textbfFlow 推定モジュールを用いた新しいネットワーク (IFF-Net) を提案する。
  論文  参考訳（メタデータ） (2020-09-21T07:55:50Z)

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。