グラフトポロジー誘導型マルチタスク学習による転倒検出
Graph Topology-Guided Multi-Task Learning for Fall Detection
複雑な複数人シナリオにおける視覚的遮蔽やスケール変動の課題に対処するため、本論文はMTC-DETRというエンドツーエンドのマルチタスク協調検出フレームワークを提案する。MTC-DETRは、スケール変動に適応するDynamic Scale-Routing and Task-Tuning Encoderと、オブジェクト検出とキーポイント検出のためのTopology-Guided Dual-Branch Decoderを統合する。Topology-Guided Local–Global Synergistic Attentionは、マルチホップグラフ畳み込みを用いて遮蔽されたキーポイントを再構築し、クロスブランチポーズ事前情報はオブジェクト検出ブランチでのDeformable Cross-Attentionサンプリングをガイドする。さらに、Homoscedastic Uncertainty Dynamic Joint Lossがマルチタスク最適化中の勾突衝突を解決するために導入される。実験の結果、MTC-DETRはCAUCAFall、DiverseFall10500、MT-Fallデータセットでそれぞれ92.7%、88.9%、90.4%のmAP@0.5を達成し、14の最先端手法を上回った。Leju Kuavo 5 Robotにデプロイされたモデルは、エッジコンピューティングプラットフォーム上で44.2 FPS (INT8) の推論速度を達成し、リアルタイム要件を満たした。
- MTC-DETRというマルチタスク協調検出フレームワークを提案し、CAUCAFall、DiverseFall10500、MT-Fallデータセットでそれぞれ92.7%、88.9%、90.4%のmAP@0.5を達成、14の最先端手法を上回った。
- 提案モデルはLeju Kuavo 5 Robotにデプロイされ、エッジコンピューティングプラットフォーム上で44.2 FPS (INT8)のリアルタイム推論速度を達成した。
本論文は転倒検出というロボット(特にヒューマノイドやサービスロボット)の実運用における安全性・信頼性向上に直結する技術であり、Leju Kuavo 5 Robotへの実装とエッジコンピューティング上でのリアルタイム推論(44.2 FPS)を達成している点が注目に値する。ロボットの目視能力と障害物・人間の行動理解の精度向上は、介護・看護・倉庫などでの実用化を加速させる要素であり、関連するロボット企業やエッジAIソリューション企業への投資判断に有用な情報である。