論文の概要: EFormer: Temporally Aligned Local Correction for Continuous sEMG-Based Hand Pose Tracking
- arxiv url: http://arxiv.org/abs/2609.38932v1
- Date: Wed, 30 Sep 2026 04:11:27 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-01 18:57:27.163293
- Title: EFormer: Temporally Aligned Local Correction for Continuous sEMG-Based Hand Pose Tracking
- Title（参考訳）: EFormer: 連続sEMGによるハンドポース追跡のための一時的局所補正
- Abstract要約: 本稿では,凍結トラッキングバックボーン上に構築された残像補正ネットワークであるEFormerについて述べる。
EFormerは、高レートのイベントブランチ、時間的に整列された局所的クロスアテンション、2つの因果回転位置埋め込み(RoPE)時間層、および有界で動的にゲートされた残基を組み合わせている。
その結果、時間的に整列した事象特徴補正は、連続的な手動追跡誤差を低減できることが示された。
- 参考スコア（独自算出の注目度）: 4.811608153296386
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Surface electromyography (sEMG) provides a wearable, camera-free signal for continuous hand-motion inference. Mapping muscle activity to joint kinematics remains challenging because the recorded waveforms are indirect measurements, their relationship with motion changes over time, and individual anatomy and sensor placement alter the signal distribution. This paper presents EFormer, a residual feature-correction network built on a frozen tracking backbone. EFormer combines a high-rate event branch, temporally aligned local cross-attention, two causal rotary position embedding (RoPE) temporal layers, and a bounded, dynamically gated residual. EFormer receives 16-channel sEMG sampled at 2 kHz and fuses a 64-channel tracking representation at 25 Hz with a 128-channel event representation at 200 Hz. Cross-attention uses a nominal delay of 100 ms, a 300 ms history parameter, and a 50 ms tolerance; its causal mask restricts each query to events occurring 50-400 ms earlier. The correction scale is 0.15. The evaluated continuation-training configuration contains 585,376 trainable parameters and 5,974,508 frozen parameters. On the test set, EFormer achieves an MAE of 0.1546634 rad, an RMSE of 0.24063 rad, and an R^2 of 0.74801, compared with 0.1745326 rad, 0.2715448 rad, and 0.6791103 for the official tracking baseline. EFormer reduces MAE by 11.38% relative to the baseline. The results show that temporally aligned event-feature correction can reduce continuous hand-pose tracking error.
- Abstract（参考訳）: 表面筋電図(sEMG)は、連続的な手動推論のためのウェアラブルでカメラのない信号を提供する。
関節キネマティクスへの筋活動のマッピングは、記録された波形が間接的な測定であり、時間とともに動きが変化し、個々の解剖学的およびセンサー配置が信号分布を変化させるため、依然として困難である。
本稿では,凍結トラッキングバックボーン上に構築された残像補正ネットワークであるEFormerについて述べる。
EFormerは、高レートのイベントブランチ、時間的に整列された局所的クロスアテンション、2つの因果回転位置埋め込み(RoPE)時間層、および有界で動的にゲートされた残基を組み合わせた。
EFormerは2kHzでサンプリングされた16チャンネルのsEMGを受け取り、25Hzで64チャンネルの追跡表現と200Hzで128チャンネルのイベント表現を融合する。
クロスアテンションでは、名目上の遅延は100ms、履歴パラメータは300ms、寛容は50msである。
補正スケールは0.15である。
評価された継続訓練構成は、585,376のトレーニング可能なパラメータと5,974,508の凍結可能なパラメータを含む。
テストセットでは、EFormer は 0.1546634 rad、RMSE は 0.24063 rad、R^2 は 0.74801 の MAE を 0.1745326 rad、0.2715448 rad、0.6791103 に対して達成している。
EFormerはベースラインに対してMAEを11.38%削減する。
その結果、時間的に整列した事象特徴補正は、連続的な手動追跡誤差を低減できることが示された。
関連論文リスト
- Event-Only Wingbeat Counting under Camera Motion: A Controlled MuJoCo Benchmark [0.0]
完了したウィングビートをカウントするには、周波数変化や停止を含む個々のサイクルを特定する必要がある。
イベントのみのイメージ変換補償から運動訓練を分離する制御された MuJoCo ベンチマークを提案する。
正確なカウント精度と時間的に一致したサイクルF1とカウントエラーを報告した。
論文 参考訳（メタデータ） (2026-09-27T14:47:37Z) - QuPID: Quantum Parameter-Efficient Input-Dependent Retrieval Adaptation for Medical RAG [43.163742253145635]
QuPIDは、量子パラメータ効率の入力依存型検索適応である。
凍結した画像の特徴を限られたデータでローカルアーカイブに適応させる。
凍った医療エンコーダよりも、ChestX-ray14とmuraでAT-5(P@5)の精度が高い。
論文 参考訳（メタデータ） (2026-09-27T08:22:58Z) - GAUGE: Group-Wise View-Inconsistency Rectification for Feed-Forward 4D Tracking [48.91477882822122]
本稿では,GAUGE(Group-wise Adaptive Unsupervised Gauge Estimation)について述べる。
方向整合性と空間接続性から運動群を復元し、フレーム単位のラジアルスケールとグループレベルの変換を推定する。
D4RT, 4RC, SM4RTを含む8つのトラッカーの動的クエリポイントでは, 訂正されていない予測に対して, 終端誤差を15.1%から62.6%削減する。
論文 参考訳（メタデータ） (2026-09-26T13:14:53Z) - Awaken, Then Scale: Tiny Adaptation for MRI Reconstruction [43.75851590632316]
休眠覚醒(DA)は、小さなゼロウェイトを1つのラベル付きスライスに合わせることで、MRI(MRI)再構成モデルを特化している。
14個のU字型畳み込みネットワーク(U-Net)とビジョントランスフォーマー(ViT)ソース(1,004または10,560重み)で、平均ピーク信号-雑音比(PSNR)は.430と.509dBである。
論文 参考訳（メタデータ） (2026-09-25T13:54:34Z) - Two-Stage Personalized Gait Phase Estimation in Stroke Survivors During Exoskeleton-Assisted Walking: An Offline Feasibility Study [0.7734726150561086]
機能的慣性計測器(IMU)アライメントと2段階逐次適応を用いた脳卒中生存者の歩行位相推定について検討した。
トランスフォーマーは、最も低い最終誤差(2.90 +- 1.13$%)とヒールストライクタイミング誤差(23.7 +-4.5ms)を達成した。
その結果,エクソスケルトン支援歩行のためのフレームワークのオフライン実現可能性と組込み計算タイミングが支持された。
論文 参考訳（メタデータ） (2026-09-14T03:42:40Z) - When does a spectral prior help graph learning? Connectivity-loss estimation under road-network disruptions [0.0]
グラフニューラルネットワーク(GNN)を用いた多端削除後の相対的代数接続損失を推定する。
GCN、GraphSAGE、エッジ対応MPNNバックボーンを解析ベースラインと比較する。
その結果、スペクトル残差は、構造的接続性スクリーニングに有用ながドメイン感受性誘導バイアスとして特徴づけられる。
論文 参考訳（メタデータ） (2026-09-10T07:12:22Z) - Beyond Control Points: Arcsecond Relative-Motion Estimation of Vision Measurement Platforms With Incomplete or Absent Control Fields [43.43572961146893]
画像の変位や既知の3D点から直接プラットフォームの動きを推定する制御適応微分フレームワークを開発した。
我々は、回転可観測条件、非モデル翻訳および非剛点運動のためのリークバウンド、および単一点軸偏差法を導出する。
論文 参考訳（メタデータ） (2026-08-14T03:41:30Z) - Differential 6-DOF Pose Estimation with Provable First-Order Immunity to Camera Calibration Errors [39.41872679860813]
従来の3D-2D手法では、絶対的なカメラポーズを毎回独立して推定し、カメラからプラットフォームへのポーズを通してプラットフォームの動きを復元する。
本稿では,フレーム間画像変位と既知の3次元制御点からプラットフォームの動きを直接復元する差分ポーズ推定手法を提案する。
回転誤差は、キャリブレーション誤差、動き、大きさ、観察幾何学によって決定される有界摂動を誘導する一方で、外在誤差が正確にキャンセルされることを証明した。
論文 参考訳（メタデータ） (2026-08-05T10:36:04Z) - WASABI: Whole-graph Assignment-based Stabilizer for lAne topology By Inter-frame tracking [0.0]
最近の知覚モデルは、360度BEVビュー上の車載センサーから車線トポロジーを推定する。
出力は、検出ミス、LCLCの誤検出、過剰検出、ラベルフリックなどの構造不安定性を保っている。
本稿では,車線トポロジ出力をフレーム内およびフレーム間の両方で安定化する実時間後処理パイプラインWASABIを提案する。
論文 参考訳（メタデータ） (2026-07-22T05:59:22Z) - Moving Like a Human: Ego-Motion-Normalized Temporal Signatures for Real-Time Aerial Person Tracking on Milliwatt-Class Hardware [1.932555230783329]
追跡はドローン自体で行わなければならない。
EMT-Detは、エゴモーションを推定する5段階のシステムである。
Raspberry Pi Zero 2Wでは、パイプラインは31.85 FPS、AP25は0.462、UAVは0.714である。
論文 参考訳（メタデータ） (2026-07-09T19:30:00Z) - SEDformer: Event-Synchronous Spiking Transformers for Irregular Telemetry Time Series Forecasting [38.10862458322239]
テレメトリIMTS予測のためのSEDエンハンススパイキングトランスであるSEDformerを提案する。
SEDformerは、エネルギーとメモリ使用量を削減しながら最先端の予測精度を達成する。
論文 参考訳（メタデータ） (2026-02-02T15:33:30Z)
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。