論文の概要: StickFigure: Enabling Pose-Only IoT Cameras for Privacy-Preserving Edge Vision
- arxiv url: http://arxiv.org/abs/2610.34130v1
- Date: Sun, 25 Oct 2026 07:58:48 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-27 22:27:13.542286
- Title: StickFigure: Enabling Pose-Only IoT Cameras for Privacy-Preserving Edge Vision
- Title（参考訳）: StickFigure: プライバシ保護エッジビジョンのためのポス専用のIoTカメラの実現
- Abstract要約: StickFigureは、ポーズのみのIoTカメラシステムで、リアルタイム監視中に、生フレームをローカルかつ短命に保持する。
StickFigureには2つのコア設計がある: 空間ダウン後にチャネル容量を割り当てるアクティベーション対応のポーズバックボーン。
最先端のポーズモデルと比較すると、StickFigureは最高のポーズ精度と下流HARユーティリティを実現している。
- 参考スコア（独自算出の注目度）: 7.69298318403425
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Indoor IoT cameras can support assisted living and activity-aware spaces, but exporting raw RGB frames raises privacy concerns by exposing facial, clothing, and household details that body-motion tasks often do not require. We present StickFigure, a pose-only IoT camera system that, during real-time monitoring, keeps raw frames local and ephemeral while exporting only compact skeleton streams sufficient for downstream human activity recognition (HAR). While pose estimation has matured on GPUs, extracting accurate pose streams on resource-constrained IoT cameras remains difficult. To overcome these challenges and enable on-device pose streams on (almost) any IoT camera, we present two core designs in StickFigure: an activation-aware pose backbone that allocates channel capacity after spatial downsampling and a lightweight hierarchical MLP refiner that selectively corrects elbow and wrist coordinates using intermediate visual features and kinematic context. We fully implement StickFigure and evaluate it on public benchmarks and real-world deployment. Compared with state-of-the-art MCU pose models, StickFigure achieves the highest pose accuracy and downstream HAR utility on both NTU RGB+D and Penn Action, while using 96.5% fewer parameters and 99.3% fewer MACs per frame than RTMPose-S-based baselines, achieving 0.107 s p95 latency on a representative STM32H753 MCU. We believe StickFigure establishes a new operating point for privacy-aware edge vision on massive IoT cameras.
- Abstract（参考訳）: 屋内IoTカメラは、生活支援と活動認識の空間をサポートすることができるが、生のRGBフレームをエクスポートすることで、ボディモーションタスクが頻繁に必要としない顔、衣服、家事の詳細を明らかにすることで、プライバシー上の懸念が高まる。
我々は、ポーズのみのIoTカメラシステムであるStickFigureを紹介し、リアルタイム監視中に生フレームをローカルかつ短命に保ちながら、下流の人間の活動認識(HAR)に十分なコンパクトなスケルトンストリームのみをエクスポートする。
GPUではポーズ推定が成熟しているが、リソース制約のあるIoTカメラで正確なポーズストリームを抽出することは依然として難しい。
これらの課題を克服し、(ほぼ)IoTカメラ上でデバイス上でのポーズストリームを可能にするために、StickFigureでは、空間的なダウンサンプリング後にチャネル容量を割り当てるアクティベーション対応のポーズバックボーンと、中間的な視覚的特徴とキネマティックコンテキストを使用して肘と手首の座標を選択的に補正する軽量な階層型MLPリファクタの2つのコアデザインを提示する。
StickFigureを完全に実装し、公開ベンチマークと実世界のデプロイで評価します。
最先端のMCUポーズモデルと比較すると、StickFigureはNTU RGB+DとPenn Actionの両方で最高のポーズ精度とダウンストリームHARユーティリティを実現し、96.5%のパラメータと99.3%のフレーム毎のMACはRTMPose-Sベースのベースラインよりも少なく、代表STM32H753 MCUでは0.107 s p95レイテンシを実現している。
StickFigureは、大規模なIoTカメラ上で、プライバシーを意識したエッジビジョンのための、新たな運用ポイントを確立している、と私たちは信じています。
関連論文リスト
- A Height-Constrained 2-Point Minimal Solver for Pose Estimation from Active LED Markers with Event Cameras [51.7262911415172]
本研究では,モーションキャプチャシステムから実世界のデータを集めるイベントベースアクティブマーカーシステムを開発した。
合成データと実データの両方の実験では、最先端のP2Pソルバよりも精度が向上した。
論文 参考訳（メタデータ） (2026-08-10T12:19:24Z) - Robostral Navigate [138.74472687550374]
Robostral Navigateは、大規模なナビゲーションシステムのための視覚言語モデルである。
モノラルなRGB画像のストリームのみを消費し、現在のカメラビューの次のターゲット位置を指して、ウェイポイントを予測する。
我々は、実世界のデータ収集への依存を減らすため、350kのシミュレートされたシーンに240万のトラジェクトリを生成します。
論文 参考訳（メタデータ） (2026-07-22T23:13:05Z) - Efficient Onboard Spacecraft Pose Estimation with Event Cameras and Neuromorphic Hardware [14.736745241585078]
イベントカメラは、フレームベースのイメージが飽和したりぼやけたりした場合、情報として残るような、非同期で変更駆動の計測を提供する。
ニューロモルフィックプロセッサは低レイテンシでエネルギー効率の良い推論のためにスパースアクティベーションを利用することができる。
本稿では、BrainChip Akidaニューロモーフィックプロセッサとイベントベースのビジョンを結合した6-DoFポーズ推定パイプラインを提案する。
論文 参考訳（メタデータ） (2026-04-05T13:31:44Z) - A Unified 3D Object Perception Framework for Real-Time Outside-In Multi-Camera Systems [16.644881371951175]
大規模インフラ環境向けに最適化されたSparse4Dフレームワークを提案する。
我々は、NVIDIA COSMOSフレームワークを使用して、Sim2Realドメインギャップを橋渡しする生成データ拡張戦略を採用している。
AI City Challenge 2025ベンチマークに基づいて、我々のカメラのみのフレームワークは、最先端のHOTAの45.22ドルを達成した。
論文 参考訳（メタデータ） (2026-01-15T19:31:37Z) - DriveVGGT: Visual Geometry Transformer for Autonomous Driving [50.5036123750788]
DriveVGGTは、自動運転データ用に特別に設計された、スケール対応の4D再構成フレームワークである。
マルチカメラ映像を個別に処理するための時間的ビデオアテンション(TVA)モジュールを提案する。
そこで本研究では,正規化された相対ポーズ埋め込みによるウィンドウアテンションを実現するため,マルチカメラ・コンセントレンシ・アテンション(MCA)モジュールを提案する。
論文 参考訳（メタデータ） (2025-11-27T09:40:43Z) - Flow-Based Detection and Identification of Zero-Day IoT Cameras [1.5970777144214099]
zCamInspectorは、99%の精度でIoTカメラを特定し、偽陰性は0.3%と低い。
XGBは、99%の精度と偽陰性でIoTカメラを0.3%と認識し、最先端の手法より優れている。
論文 参考訳（メタデータ） (2025-09-10T10:50:14Z) - FRAME: Floor-aligned Representation for Avatar Motion from Egocentric Video [52.33896173943054]
ヘッドマウントのボディフェイスステレオカメラを備えたエゴセントリックなモーションキャプチャーは、VRやARアプリケーションには不可欠だ。
既存の方法は、合成事前学習と、現実の環境で滑らかで正確な予測を生成するのに苦労している。
本稿では、デバイスポーズとカメラフィードを組み合わせて、最先端のボディポーズ予測を行う、シンプルで効果的なアーキテクチャFRAMEを提案する。
論文 参考訳（メタデータ） (2025-03-29T14:26:06Z) - 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) - RADNet: A Deep Neural Network Model for Robust Perception in Moving
Autonomous Systems [8.706086688708014]
我々は,グローバルカメラの動きの度合いに基づいて,映像のランク付けを行う新しいランキング手法を開発した。
上位のカメラビデオでは、アクション検出の精度が低下している。
本稿では,カメラの動作効果に頑健な動作検出パイプラインを提案し,それを実証的に検証する。
論文 参考訳（メタデータ） (2022-04-30T23:14:08Z) - TUM-VIE: The TUM Stereo Visual-Inertial Event Dataset [50.8779574716494]
イベントカメラはバイオインスパイアされた視覚センサーで、ピクセルごとの明るさの変化を測定する。
これらは、低レイテンシ、高ダイナミックレンジ、高時間分解能、低消費電力など、従来のフレームベースのカメラよりも多くの利点を提供する。
イベントカメラを用いた3次元認識・ナビゲーションアルゴリズムの開発を促進するため,TUM-VIEデータセットを提案する。
論文 参考訳（メタデータ） (2021-08-16T19:53:56Z)
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。