論文の概要: On the Learnability of Footwear Robustness: Footstep Recognition Under Unseen Conditions

• arxiv url: http://arxiv.org/abs/2611.05049v1
• Date: Tue, 03 Nov 2026 15:16:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-07 14:44:36.456414
• Title: On the Learnability of Footwear Robustness: Footstep Recognition Under Unseen Conditions
• Title（参考訳）: 履物ロバストネスの学習性について:見知らぬ条件下での足跡認識
• Abstract要約: 履物によって引き起こされる変化は、トレーニング人口から学習でき、それまで見られなかったユーザーや履物スタイルに、ゼロショットで移行できることを示す。 空間的および時間的アイデンティティを独立したトレーニング可能なストリームに分解する新しいアーキテクチャであるBiStepNetを使ってこれを行う。
• 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: Footstep patterns, captured using pressure or force-sensitive walkways during natural walking, offer a convenient and passive approach to biometric recognition. However, footwear variability poses a major challenge to practical deployment, as it impacts both the foot-sensor interface and the user's underlying gait mechanics. This study considers the particularly difficult scenario where users enroll under one fixed footwear condition but must later be recognized in arbitrary, unseen footwear. Using the StepUP-P150 dataset, we show that footwear-induced shift, while substantial and heterogeneous across individuals, contains shared structure that can be learned from a training population and transferred, zero-shot, to previously unseen users and footwear styles. We do this using BiStepNet, a novel architecture that decomposes spatial and temporal identity cues into independently trainable streams and outperforms compact 3D spatiotemporal baselines for cross-footwear recognition. We demonstrate that cross-footwear recognition performance scales systematically with the volume and diversity of footwear representation in the training set, with gains transferring to footwear styles not directly observed during training. Moreover, we show that auxiliary gait datasets with only partial modality overlap (incorporated through the architecture's decomposed design) can be leveraged to further improve robustness to unseen footwear conditions.
• Abstract（参考訳）: 自然歩行中に圧力や力に敏感な歩行で捉えた足跡パターンは、バイオメトリック認識に便利でパッシブなアプローチを提供する。 しかしながら、フットウェアの多様性は、フットセンサーインターフェースとユーザーの基盤となる歩行力学の両方に影響を及ぼすため、実用的デプロイメントにおいて大きな課題となる。 本研究は, 固定履物の条件下での登録が困難であるが, その後, 任意の無形の履物で認識されなければならないシナリオについて考察する。 StepUP-P150データセットを用いて、履物によって引き起こされるシフトは、個人間で実質的で不均一であるが、トレーニング人口から学習し、それまで見つからなかったユーザーや履物スタイルへ、ゼロショットで移動可能な共有構造を含むことを示した。 空間的および時間的同一性キューを独立したトレーニング可能なストリームに分解し、足間認識のためのコンパクトな3次元時空間ベースラインより優れる、新しいアーキテクチャであるBiStepNetを用いてこれを行う。 履物認識性能は,トレーニングセットにおける履物表現の量や多様性とともに体系的にスケールし,トレーニング中に直接観察されない履物スタイルに移行する。 さらに, 部分的モダリティオーバーラップのみを有する補助歩行データセット(アーキテクチャの分解設計により組み込まれた)を有効利用することにより, 目立たない履物条件に対するロバスト性をさらに向上できることを示す。

関連論文リスト

• SHOES: Sim-to-real Hardware-adaptation via On-policy Expansion of Skills for Legged Robots [4.496683721548245]
  履物による形態変化にロコモーションポリシーを適用するためのフレームワークであるSHOESを提案する。 SHOESは、シミュレーションによって訓練された名目ポリシーと、ロボット上の軽量でアイデンティティによる変調モジュールのみを凍結する。 SafeBoxも導入しています。これは、ワークスペースを意識した、ユーザ定義のワークスペース内でのオンライン適応を制限する、ワークスペース対応のウェイポイントサンプリングです。
  論文  参考訳（メタデータ） (2026-10-12T09:17:40Z)
• Echo in the Steps: Learning Perceptive Humanoid Parkour with Gated Memory [33.433356550134384]
  このフレームワークは、サリエンシとメモリの前のサリエンシを組み合わせた、サリエンシ誘導の時間知覚モジュールを備えている。 本手法は,シミュレーションと実世界の両方において,挑戦的な地形における成功率と足場精度を大幅に向上させる。
  論文  参考訳（メタデータ） (2026-09-24T03:13:44Z)
• Live Knowledge Tracing: Real-Time Adaptation using Tabular Foundation Models [67.75857052135154]
  ディープ・ナレッジ・トレーシング・モデルは、学生の学習軌跡をモデル化する上で大きなブレークスルーを達成している。 固定トレーニングセットでのオフライントレーニングを必要とする従来の手法では、オンライン手法でリアルタイムの'生きた'知識トレースを実行しています。 最大273倍のスピードアップで予測競合性能を達成できることを示す。
  論文  参考訳（メタデータ） (2026-02-06T09:49:28Z)
• Shoe Style-Invariant and Ground-Aware Learning for Dense Foot Contact Estimation [55.03114420454759]
  ゼロ速度制約を用いた足の接触を近似し, 関節レベル接触に着目した既存手法 この相互作用を正確にモデル化するには,足の接触度の推定が重要である。 本稿では,靴スタイルの不変性や地面認識学習と密接な足の接触を学習するFEet Contact推定フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-11-27T07:50:47Z)
• A dataset of high-resolution plantar pressures for gait analysis across varying footwear and walking speeds [3.526666376775963]
  UNB StepUP-P150は足底圧力を用いた歩行解析と認識のためのフットステップデータベースである。 このデータセットは、1.2m×3.6mの圧力感知通路を用いて収集された高分解能プランタ圧力データを含む。
  論文  参考訳（メタデータ） (2025-02-24T15:21:02Z)
• Patch-level Representation Learning for Self-supervised Vision Transformers [68.8862419248863]
  視覚変換器(ViT)は近年、より優れたアーキテクチャ選択として多くの注目を集めており、様々な視覚タスクにおいて畳み込みネットワークよりも優れています。 これに触発された私たちは、パッチレベルの表現をより良く学習するための、SelfPatchという、シンプルで効果的なビジュアルプリテキストタスクを設計しました。 我々は、既存のSSLメソッドの様々な視覚的タスクに対する性能を大幅に改善できることを実証した。
  論文  参考訳（メタデータ） (2022-06-16T08:01:19Z)
• Breaking Shortcut: Exploring Fully Convolutional Cycle-Consistency for Video Correspondence Learning [78.43196840793489]
  我々は、推論プロセスによりシンプルで一貫性のある完全な畳み込み法を提案する。 この崩壊現象の背景にある下線原因について検討し,画素の絶対位置がサイクルコンシスタンスを容易に達成するための近道であることを示す。
  論文  参考訳（メタデータ） (2021-05-12T17:52:45Z)
• Hidden Footprints: Learning Contextual Walkability from 3D Human Trails [70.01257397390361]
  現在のデータセットは、人々がどこにいるか、どこにいるかを教えてくれません。 まず、画像間で人の観察を伝播させ、3D情報を利用して、私たちが「隠れ足跡」と呼ぶものを作成することで、有効なラベル付き歩行可能領域の集合を拡大する。 このようなスパースラベルのために設計されたトレーニング戦略を考案し、クラスバランスの分類損失と文脈逆転損失を組み合わせた。
  論文  参考訳（メタデータ） (2020-08-19T23:19:08Z)

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。