論文の概要: Age-Adaptive Handwriting Reconstruction from an IMU-Based Digital Pen through Shared Representations and Domain-Specific Heads

• arxiv url: http://arxiv.org/abs/2609.31666v1
• Date: Tue, 15 Sep 2026 14:18:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 14:05:54.270703
• Title: Age-Adaptive Handwriting Reconstruction from an IMU-Based Digital Pen through Shared Representations and Domain-Specific Heads
• Title（参考訳）: IMUを用いたデジタルペンからの情報共有表現とドメイン固有頭部による年齢適応手書き復元
• Abstract要約: キネマティックセンサーを搭載した最近のデジタルペンは、どんな表面でも使えるように設計されている。 IMUを装着したペンによる手書き文字の復元は、大人と子供のセンサー信号の有意な変動が原因で困難である。 本稿では,時間的畳み込みネットワークと複数の予測ヘッドに基づくニューラルネットワークアーキテクチャを用いたクロスドメイン学習を提案する。
• 参考スコア（独自算出の注目度）: 0.7868597500433404
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Digital pens are widely used to capture handwriting on digital devices, enabling precise trace recording and enhancing human-computer interaction. However, most are bundled with tablets and lack cross-brand compatibility. Recent digital pens equipped with kinematic sensors have emerged, designed for use on any surface. This especially opens significant potential for supporting handwriting acquisition in classrooms. Handwriting reconstruction from such an IMU-equipped pen poses a challenge due to the significant variability in sensor signals between adults and children. Even when producing visually similar traces, variations in writing dynamics, motor control, pen holding, and user confidence introduce substantial discrepancies in the captured signals. Additionally, the high variability in children's handwriting requires collecting large amounts of data, which is not feasible to implement in a school environment at scale. Furthermore, models trained exclusively on adult data fail to generalize to children's handwriting, and conversely, models trained on children's data perform poorly on adult writers. This crosspopulation degradation highlights the need for a unified model that can be deployed directly on the pen, without any user-specific adaptation. To address this issue, we propose a cross-domain learning, using an original neural network architecture based on a Temporal Convolutional Network and multiple prediction heads. The model is designed to be robust across age groups by leveraging shared features while effectively handling variability induced by differences in graphomotor development. This approach aims to improve handwriting trace reconstruction from sensor data, where each domain benefits from additional data provided by the other domain.
• Abstract（参考訳）: デジタルペンはデジタルデバイス上の手書き文字をキャプチャするために広く使われており、正確なトレース記録と人間とコンピュータの相互作用の強化を可能にしている。 しかし、多くはタブレットにバンドルされており、ブランド間の互換性が欠如している。 キネマティックセンサーを搭載した最近のデジタルペンは、どんな表面でも使えるように設計されている。 これは特に、教室で手書き文字の取得をサポートする大きな可能性を秘めている。 IMUを装着したペンによる手書き文字の復元は、大人と子供のセンサー信号の有意な変動が原因で困難である。 視覚的に類似したトレースを生成する場合でも、ダイナミックス、モーターコントロール、ペンホールド、およびユーザの信頼性のバリエーションは、キャプチャされた信号にかなりの相違をもたらす。 さらに、児童の手書きの多様性が高いため、大規模な学校環境では実現不可能な大量のデータを集める必要がある。 さらに、大人のデータにのみ訓練されたモデルは、子供の手書きに一般化できず、逆に、子供のデータに訓練されたモデルは、大人の作家にはあまり役に立たない。 このクロスポピュレーションの劣化は、ユーザー固有の適応なしにペンに直接デプロイできる統一モデルの必要性を強調している。 この問題に対処するために,時間畳み込みネットワークと複数の予測ヘッドに基づくニューラルネットワークアーキテクチャを用いたクロスドメイン学習を提案する。 このモデルは,グラフモレータ開発の違いによって引き起こされる変動性を効果的に扱えるようにしながら,共有機能を活用することによって,年齢グループ間で堅牢であるように設計されている。 このアプローチは、各ドメインが他のドメインが提供する追加データから恩恵を受けるセンサーデータから手書きトレースの再構築を改善することを目的としている。

関連論文リスト

• Domain adaptation for handwriting trajectory reconstruction from IMU sensors [2.3759453477621864]
  本研究は,手書きのデジタル軌跡を同時に保存しながら,任意の面に書き込むことのできるキネマティックセンサーを備えたデジタルペンに焦点を当てた。 大きな問題は、大人と子供の捕獲信号の違いに基づいている。 同様の手書き跡は, 子供の手書き動作における速度と自信の相違により, センサ信号に大きな違いがある。
  論文  参考訳（メタデータ） (2026-07-29T10:29:08Z)
• Online Handwriting Trajectory Reconstruction from Kinematic Sensors using Temporal Convolutional Network [3.3424188506979147]
  オンライン手書きの軌跡を再構築したいと願うセンサを備えたデジタルペンに焦点をあてる。 本稿では,ペンのセンサ信号を対応するOH軌道にマッピングする新しい処理パイプラインを提案する。 我々は、ペンセンサ信号からオンライン軌道を再構築するために、テンポラル畳み込みネットワークにインスパイアされた専用ニューラルネットワークアーキテクチャを導入する。
  論文  参考訳（メタデータ） (2026-07-29T10:23:18Z)
• Mixture-of-experts for handwriting trajectory reconstruction from IMU sensors [2.3759453477621864]
  我々は,オンライン筆跡の再構築を目的としたセンサを備えたデジタルペンに焦点を当てた。 このペンは、任意の表面に書き込むことができ、手書きのデジタルトレースを保存することができる。
  論文  参考訳（メタデータ） (2026-07-29T09:53:26Z)
• Prediction of Grade, Gender, and Academic Performance of Children and Teenagers from Handwriting Using the Sigma-Lognormal Model [4.070393807389505]
  本研究では,日本人学生が収集した大規模オンラインデータセットを用いて,手書き力学が学生の特徴に関連する情報を符号化するかどうかを検討する。 その結果,手書き力学には発達段階と個人差に関連する測定可能な信号が含まれていることがわかった。
  論文  参考訳（メタデータ） (2026-03-12T04:05:23Z)
• Online Writer Retrieval with Chinese Handwritten Phrases: A Synergistic Temporal-Frequency Representation Learning Approach [53.189911918976655]
  DOLPHINは,相乗的時間周波数解析による手書き表現の向上を目的とした新しい検索モデルである。 OLIWER(OLIWER)は,1,731人から670,000以上の中国語の字句を含む大規模オンライン作家検索データセットである。 本研究は,手書き表現の質向上における点サンプリング周波数と圧力特性の重要性を強調した。
  論文  参考訳（メタデータ） (2024-12-16T11:19:22Z)
• Sampling and Ranking for Digital Ink Generation on a tight computational budget [69.15275423815461]
  トレーニングされたデジタルインク生成モデルの出力品質を最大化する方法について検討する。 我々は、デジタルインク領域におけるその種類に関する最初のアブレーション研究において、複数のサンプリングとランキング手法の効果を使用、比較する。
  論文  参考訳（メタデータ） (2023-06-02T09:55:15Z)
• Drawing out of Distribution with Neuro-Symbolic Generative Models [49.79371715591122]
  ドローイング・アウト・オブ・ディストリクト(英: Drawing out of Distribution)は、ストローク・ベース・ドローイングの神経象徴的生成モデルである。 DooDは画像を直接操作するが、監視や高価なテストタイム推論は必要ない。 我々は、データとタスクをまたいだ一般化能力について、DooDを評価した。
  論文  参考訳（メタデータ） (2022-06-03T21:40:22Z)
• Scalable Font Reconstruction with Dual Latent Manifolds [55.29525824849242]
  タイポグラフィー解析とフォント再構成を行う深層生成モデルを提案する。 このアプローチによって、効果的にモデル化できるキャラクタの種類を大規模にスケールアップすることが可能になります。 多くの言語の文字タイプを表す様々なデータセット上でフォント再構成のタスクを評価する。
  論文  参考訳（メタデータ） (2021-09-10T20:37:43Z)
• SmartPatch: Improving Handwritten Word Imitation with Patch Discriminators [67.54204685189255]
  本稿では,現在の最先端手法の性能を向上させる新手法であるSmartPatchを提案する。 我々は、よく知られたパッチ損失と、平行訓練された手書きテキスト認識システムから収集された情報を組み合わせる。 これにより、より強化された局所識別器が実現し、より現実的で高品質な手書き文字が生成される。
  論文  参考訳（メタデータ） (2021-05-21T18:34:21Z)
• Handwriting Quality Analysis using Online-Offline Models [4.61479186986544]
  この研究は、先進的なデジタル教育ツールの開発を可能にする革新的なeラーニングプロジェクトの一部である。 間違いを自動的に検知し、子供たちの書き方に対するリアルタイムなフィードバックを与え、教師が子供の書き方を理解して評価するのを助ける。
  論文  参考訳（メタデータ） (2020-10-09T14:33:56Z)
• Semantics-aware Adaptive Knowledge Distillation for Sensor-to-Vision Action Recognition [131.6328804788164]
  本稿では,視覚・センサ・モダリティ(動画)における行動認識を強化するためのフレームワーク,Semantics-Aware Adaptive Knowledge Distillation Networks (SAKDN)を提案する。 SAKDNは複数のウェアラブルセンサーを教師のモダリティとして使用し、RGB動画を学生のモダリティとして使用している。
  論文  参考訳（メタデータ） (2020-09-01T03:38:31Z)

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。