論文の概要: Optical-Flow Wingbeat Counting in MuJoCo: A Comparison of Convolutional, Spiking, and Attention-Based Temporal Models

• arxiv url: http://arxiv.org/abs/2609.17308v1
• Date: Tue, 15 Sep 2026 15:18:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 14:56:08.594854
• Title: Optical-Flow Wingbeat Counting in MuJoCo: A Comparison of Convolutional, Spiking, and Attention-Based Temporal Models
• Title（参考訳）: MuJoCoにおける光流ウィングビート計数:畳み込み・スパイク・アテンションに基づく時間モデルの比較
• Abstract要約: 羽ばたき車両の視覚的モニタリングには、個々のウィングビートと運動強度と平均周波数を区別する必要がある。 本稿では,クレージーフリー車に搭載された仮想カメラで観測されたサイン付き光学的流れから,主翼の振動数を制御したMuJoCoの評価を行う。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Visual monitoring of flapping-wing vehicles requires distinguishing individual wingbeats from motion strength and average frequency. This paper presents a controlled MuJoCo evaluation of wingbeat counting from signed optical flow observed by virtual cameras mounted on Crazyflie vehicles. Three flapping-wing models were recorded at optical distances of 1.5 and 3.0 m, producing 1,440 clips from 240 paired scene configurations with a scene-level 3:1 training-test split. A common spatial convolutional encoder was combined with a causal temporal convolutional network, a recurrent leaky integrate-and-fire spiking network, or causal self-attention. Each model predicted phase and activity, followed by the same directed-crossing event counter. The six existing convolutional models were retained, and all twelve new models were frozen before their test predictions were generated. Exact-count accuracies at 1.5 m were 96.67%, 95.00%, and 96.67%, respectively; at 3.0 m they were 94.44%, 92.22%, and 95.00%. All paired scene-bootstrap intervals for differences in exact-count accuracy included zero. Seven far-distance spiking-model clips had correct totals despite event-timing mismatches, demonstrating why total-count and event-level measurements must be reported together. The results support the feasibility of causal optical-flow counting in the tested setting and identify boundary-sensitive errors. They do not establish an architecture ranking across repeated training, real-flight robustness, or hardware efficiency.
• Abstract（参考訳）: 羽ばたき車両の視覚的モニタリングには、個々のウィングビートと運動強度と平均周波数を区別する必要がある。 本稿では,クレージーフリー車に搭載された仮想カメラで観測されたサイン付き光学的流れから,主翼の振動数を制御したMuJoCoの評価を行う。 3つの羽ばたき翼モデルが1.5mと3.0mの光学距離で記録され、240対のシーン構成から1,440本のクリップを生成し、シーンレベルの3:1のトレーニングテストが分割された。 共通空間畳み込みエンコーダは、因果的時間的畳み込みネットワーク、繰り返し漏れる統合と発火のスパイクネットワーク、または因果自己注意と組み合わせられた。 それぞれのモデルがフェーズとアクティビティを予測し、続いて同じ方向を向くイベントカウンタが続いた。 既存の6つの畳み込みモデルが維持され、テスト予測が生成される前に12の新しいモデルは全て凍結された。 1.5mは96.67%、95.00%、96.67%であり、3.0mは94.44%、92.22%、95.00%である。 正確な回数の精度の差を考慮に入れたシーンブートストラップ間隔は0。 7つの遠距離スパイクモデルクリップは、イベント刺激ミスマッチにもかかわらず正確な総計を有しており、なぜ総計と事象レベルの測定を一緒に報告する必要があるのかを示した。 その結果, テスト設定における因果的光フローカウントの実現可能性をサポートし, 境界感度誤差を同定した。 繰り返しトレーニング、リアルタイムの堅牢性、ハードウェア効率など、アーキテクチャのランク付けは行いません。

関連論文リスト

• Concept drift mitigation through community and spectral graph analysis for the detection of cyberattacks in network traffic [1.3999481573773072]
  検出モデルとは独立に各特徴に対して定義された安定性スコアであるt-robustnessを導入する。 特徴の連続した統計状態間のステップバイステップ距離と、その初期状態からの累積的なばらつきを組み合わせ、遅い単調なドリフトが安定性を損なうことができない。 評価はUGR16データセット上で行われ、3つの学習シナリオとコントロールシナリオにまたがる。
  論文  参考訳（メタデータ） (2026-09-08T20:51:00Z)
• SSP-DMGTimeNet: Physics-Constrained Learning for Spatiotemporal Trajectory Prediction of Vehicle Platoons [20.684236937338227]
  本研究では,車両プラットンの軌道予測のための物理制約付き学習フレームワークであるSSP-DMGTimeNetを提案する。 伝搬遅延対応因果注意機構は、上流から下流までの乱伝播を明示的にモデル化する。 実験の結果、SSP-DMGTimeNetは5車種のプラトンに対して0.65%の不安定風速を実現し、地上サブセットでは0.898のヘッド・ツー・テール増幅を実現している。
  論文  参考訳（メタデータ） (2026-09-07T02:59:56Z)
• Phase-cycled randomized benchmarking of quantum processors: recovering hidden classical noise correlations [0.3499870393443268]
  スロット境界における連続的進化と独立定常リセットが任意の固定アイドル変調に対して同じ平均応答をもたらすことを示す。 我々は,2組のブートストラップ推定器の経験的カバレッジを定量化する。 ネイティブまたは量子メモリ検出は要求されない。
  論文  参考訳（メタデータ） (2026-09-06T07:48:16Z)
• A Calibration Audit of Confidence in Feed-Forward 3D Reconstruction [45.496856835431885]
  3D再構成モデルは、下流システムが信頼性信号として読み取る画素当たりの信頼を出力する。 4つの特性に対する信頼度、エラーのランク付けの正確さ、そのレベルが平均的に正しいかどうか、信頼範囲を越えて保持されているかどうか、そしてその間隔が真実をカバーしているかどうか。 信頼度は誤差をよくランク付けするが、予測された不確実性は、トレーニングの正確さではない条件下で読み取られると低すぎる。
  論文  参考訳（メタデータ） (2026-08-30T10:21:34Z)
• PhaseShift: Topology-Aware Data Harmonization and Model Consolidation Across Signalized Intersections [7.890686084519088]
  PhaseShiftは、異種道路側軌跡を共有アクター中心の表現に調和させるトポロジ対応フレームワークである。 フロリダ州の2地域の5つの交差点を,バランスの取れたフィールドデータ,100kのトレーニングウィンドウ,同規模のテストセットを用いて評価した。
  論文  参考訳（メタデータ） (2026-08-26T01:22:49Z)
• Calibration-Free Vehicle Speed Estimation: A Monocular Keypoint-Template Approach [0.8819673391477033]
  本稿では,モノクロビデオから車両の速度を確実かつ効果的に推定するキャリブレーションフリーフレームワークを提案する。 提案フレームワークは,36キーポイントの車両テンプレートと,各フレームに更新されたホモグラフィ行列を用いて車両速度を推定する。
  論文  参考訳（メタデータ） (2026-08-17T16:39:06Z)
• The Low Frequency Trap: Video Language Models Fail at Simple Event Bookkeeping [70.07961857926377]
  3つの制御されたビデオタスクにおけるイベントカウントのためのトレーサグラウンドパラメトリックプロファイリングを導入する。 2,190本のビデオでは,レンダリングを保ちながらイベントカウントNと周波数Fが異なる。 80%の信頼性しきい値において、Gemini 3.6 Flashは、0.5Hzと1.0Hzの12イベントまでの永続的な状態遷移を確実にカウントするが、過渡的点滅イベントに対する信頼性の高い正カウント領域は示さない。
  論文  参考訳（メタデータ） (2026-08-06T17:57:06Z)
• Delay-Aware Active Triangulation with Uncertainty-Driven Multi-Agent Reinforcement Learning for Counter-UAS [5.4271995156436965]
  マルチエージェントアクティブな視覚三角測量により、移動オブザーバを制御可能なカメラで調整することにより、航空目標の正確な3次元位置決めが可能になる。 我々は,Counter-UASアプリケーションにおけるターゲットローカライゼーションのための遅延認識,不確実性駆動型マルチエージェント強化学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-07-07T07:58:13Z)
• Amplifying, Not Learning: Fine-Tuned AI Text Detectors Amplify a Pretrained Direction [51.56484100374058]
  テキスト検出器は、事前訓練された典型軸を増幅する。 タスク監督前の生エンコーダでは、3つのアーキテクチャでNYT-vs-HC3 AUROC 0.806/0.944/0.834を達成する。 RoBERTaベースでは、生のプロジェクションは微調整を超えるが、RoBERTaベースでは、フル微調整は、試験された流線型人口の双方で生よりも識別を小さくする。
  論文  参考訳（メタデータ） (2026-05-20T19:08:38Z)
• Optimization-Guided Diffusion for Interactive Scene Generation [52.23368750264419]
  本稿では,拡散型サンプリングにおける構造的一貫性と相互作用認識を実現するための,最適化誘導型トレーニングフリーフレームワークであるOMEGAを提案する。 OMEGAは生成リアリズム,一貫性,可制御性を向上し,身体的および行動学的に有効なシーンの比率を増大させることを示す。 当社のアプローチでは,3秒未満の時間対コリションで,より近いコリジョンフレームを5ドル(約5,500円)で生成することも可能だ。
  論文  参考訳（メタデータ） (2025-12-08T15:56:18Z)
• InJecteD: Analyzing Trajectories and Drift Dynamics in Denoising Diffusion Probabilistic Models for 2D Point Cloud Generation [48.55037712252843]
  InJecteDは拡散確率モデル(DDPM)を解釈するフレームワーク このフレームワークをDatasaurus Dozen bullseye, dino, circleの3つのデータセットに適用する。 提案手法は, 変位, 速度, クラスタリング, ドリフト場力学などの軌道特性を定量的に評価する。
  論文  参考訳（メタデータ） (2025-09-09T14:53:19Z)
• Contrastive Flow Matching [61.60002028726023]
  コントラストフローマッチング(Contrastive Flow Matching)は、全ての条件フローに対して一意性を明示するフローマッチング対象の拡張である。 提案手法は,任意のサンプル対からの予測フロー間の相違を最大化するための対照的な目的を与える。 比較フローマッチングによるトレーニングモデル(1)は最大9倍のトレーニング速度,(2)は最大5倍のノイズ除去ステップ,(3)FIDを最大8.9以下に向上させる。
  論文  参考訳（メタデータ） (2025-06-05T17:59:58Z)
• Decouple-Then-Merge: Finetune Diffusion Models as Multi-Task Learning [45.89372687373466]
  拡散モデルは、ノイズ破損の各ステップを反転させる一連のモデルを学ぶことで訓練される。 パラメータはトレーニング効率を高めるために、複数のタイムステップで完全に共有されます。 しかし、デノナイジングタスクは各タイミングで異なるため、異なるタイミングで計算された勾配は相反する可能性があり、画像生成の全体的な性能を低下させる可能性がある。
  論文  参考訳（メタデータ） (2024-10-09T08:19:25Z)
• MixSTE: Seq2seq Mixed Spatio-Temporal Encoder for 3D Human Pose Estimation in Video [75.23812405203778]
  近年, 学習時間相関のため, 全フレームのボディジョイントを世界規模で考慮し, 2次元キーポイントシーケンスから3次元人間のポーズを推定する手法が提案されている。 本研究では,各関節の時間的動きを別々にモデル化する時間的変圧器ブロックと,関節間空間相関を有する変圧器ブロックを有するミキシングミキシングを提案する。 さらに、ネットワーク出力は、中央フレームから入力ビデオの全フレームに拡張され、入力と出力のベンチマーク間のコヒーレンスが改善される。
  論文  参考訳（メタデータ） (2022-03-02T04:20:59Z)

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。