Enhancing Skeletal Pose Estimation from mmWave Point Clouds Through Uncertainty Reduction
Notice bibliographique
Résumé
Human Pose Estimation is vital for a variety of applications, including surveillance, sports, and healthcare. Millimeter-wave (mmWave) radar technology provides significant advantages over traditional vision-based and wearable sensors, such as enhanced privacy and reduced intrusiveness. However, mmWave point clouds pose challenges due to aleatoric uncertainty from inherent noise. This study aims to enhance the mmWave-based Skeletal Pose Estimator (SPE) by reducing uncertainty. We propose a series of SPE models: (i) CSPE+: a CNN-based SPE model that uses features from nearby frames to reduce the uncertainty of SPE, which only uses a single frame, (ii) TSPE+: an enhancement of CSPE+ by replacing the CNN with the Multiscale Vision Transformer (MViT) for better temporal modeling, and (iii) CSPE++/TSPE++: further refined models using a two-stage training process with Heteroscedastic Loss in the second stage. Evaluations on two different datasets, food intake activities, and driver activities, showed significant improvements in our proposed models in pose estimation accuracy. For the Food Intake Activity Dataset, where the baseline SPE had a Mean Per Joint Position Error (MPJPE) of 64.63 mm, CSPE+ reduced the error by 56.41%, TSPE+ by 64.23%, CSPE++ by 62.22%, and TSPE++ performed best with a 68.51% reduction, achieving an MPJPE of 20.35 mm. Similarly, for the Driver Activity Dataset, where the baseline SPE had an MPJPE of 123.04 mm, CSPE+ reduced the error by 60.47%, TSPE+ by 74.82%, CSPE++ by 75.19%, and TSPE++ performed best with a 78.47% reduction, achieving an MPJPE of 26.49 mm. These results demonstrate the effectiveness of our proposed models across heterogeneous mmWave radar datasets.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».