Detection of Animal Movement from Weather Radar using Self-Supervised Learning
CSIRO(联邦科学与工业研究组织);Charles Darwin University(查尔斯·达尔文大学)
本文提出一种自监督学习方法,利用阈值法生成的噪声标签进行预训练并在小型人工标注数据上微调,在澳大利亚天气雷达水鸟分割任务中比现有最优方法提升43.53%的dice系数。
2024-08-08 cs.LG
Self-Supervised Moving Object Segmentation of Sparse and Noisy Radar Point Clouds
CARIAD SE(CARIAD公司);TU Dortmund University(杜伊斯堡-艾森大学);University of Bonn(波恩大学);Lamarr Institute for Machine Learning and Artificial Intelligence(拉马尔人工智能与机器学习研究所)
针对稀疏含噪雷达点云标注成本高的问题,提出基于聚类对比损失与动态点移除的两步自监督运动物体分割方法,利用有限标注微调有效提升标签效率与最优性能。
2025-11-04 cs.CV cs.LG
Self-supervised Learning for ECG-based Emotion Recognition
Queen's University(女王大学)
我们提出了一个基于心电图(ECG)的情感识别系统,使用自监督学习。我们提出的架构包括两个主要的网络,信号转换识别网络和情感识别网络。首先,未标记的数据被用来成功地训练前网络,以检测特定的预定信号变换的自监督学习步骤。接下来,该网络的卷积层的权重被转移到情感识别网络,并训练两个密集层以分类唤醒和效价分数。我们表明,我们的自监督方法可以帮助模型学习情感识别所需的心电图特征流形,其性能等于或优于模型的全监督版本。我们提出的方法优于最先进的心电图为基础的情感识别与两个公开可用的数据集,SWELL和AMIGOS。进一步的分析强调了我们的自我监督方法的优势,即需要更少的数据来实现可接受的结果。
2020-04-05 cs.AI cs.LG eess.SP
Unsupervised Doppler Radar-Based Activity Recognition for e-Healthcare
Coventry University(考文垂大学);University College London(伦敦大学学院);Tampere University(坦佩雷大学)
无源射频(RF)传感和监测老人院中的人类日常活动是一个新兴的话题。微多普勒雷达是一种有吸引力的解决方案,考虑到它们的非侵入性,深穿透和远距离范围。使用多普勒雷达数据进行无监督的活动识别尚未得到重视,尽管在实际情况下,这种识别对于未标记或标记不佳的活动十分重要。本研究提出了两种无监督的特征提取方法,用于使用多普勒流进行人体活动监测。这些方法包括基于局部离散余弦变换(DCT)的特征提取方法和基于局部熵的特征提取方法。此外,卷积变分自编码器(CVAE)特征提取的新应用首次采用多普勒雷达数据。将这三种特征提取结构与传统的卷积自动编码器(CAE)和基于主成分分析(PCA)和2DPCA的线性特征提取进行了比较。使用K-Means和K-Medoids进行无监督聚类。结果表明,基于DCT的方法、基于熵的方法和CVAE特征的识别效果优于CAE、PCA和2DPCA,平均识别精度在5%~ 20%之间。在计算时间方面,这两种方法明显比现有的CVAE快得多。此外,对于高维数据可视化,考虑了三种流形学习技术。的方法进行比较的原始数据的投影,以及编码的CVAE功能。所有这三种方法显示出改进的可视化能力时,应用到编码的CVAE功能。
2021-11-02 cs.LG
Generalizable Indoor Human Activity Recognition Method Based on Micro-Doppler Corner Point Cloud and Dynamic Graph Learning
School of Information and Electronics, Beijing Institute of Technology(北京理工大学信息与电子学院);Jiaxing Research Center of Beijing Institute of Technology(北京理工大学嘉兴研究院);Key Laboratory of Electronic and Information Technology in Satellite Navigation, Beijing Institute of Technology(北京理工大学卫星导航电子信息技术重点实验室)
针对穿墙雷达人体活动识别跨测试人员泛化性差的问题,提出结合DoG-μD-CornerDet角点提取、多项式拟合平滑滤波、三维点云构建与DGNN识别的方法,经实验验证具备强泛化能力。
2024-10-10 cs.AI eess.SP
Automatic Road Subsurface Distress Recognition from Ground Penetrating Radar Images using Deep Learning-based Cross-verification
Department of Engineering Mechanics, School of Civil Engineering and Transportation, South China University of Technology(华南理工大学土木工程与交通学院力学系);Guangdong Provincial Academy of Building Research Group Co. Ltd.(广东省建筑科学研究集团有限公司);School of Civil and Transportation Engineering, Guangdong University of Technology(广东工业大学土木与交通学院)
本文提出一种跨验证策略,利用不同视角的GPR图像区域建议网络,提升道路地下缺陷识别的准确率,测试中召回率超过98.6%。
2026-04-14 cs.AI cs.CV
A manifold learning approach for gesture recognition from micro-Doppler radar measurements
Hawkeye 360(鹰眼360);Claremont Graduate University(克莱蒙特研究生大学);Pomona College(波莫纳学院)
最近的一篇论文(神经网络,{ \bf 132}(2020),253-268)介绍了一种直接和简单的基于核的流形学习近似,不需要关于流形的任何知识,除了它的维度。在本文中,我们研究如何使用最小二乘优化近似的逐点误差类似本地化的内核依赖于数据的特性和恶化,因为一个远离训练数据。该理论提出了一个抽象的本地化内核,它可以利用任何先验知识的数据位于一个未知的子流形的已知流形。我们展示了我们的方法使用公开的微多普勒数据集的性能,并调查使用不同的预处理措施,内核和流形尺寸。具体而言,它表明,在上述论文中介绍的本地化内核与PCA组件一起使用时,导致接近竞争的性能,以深度神经网络,并提供了显着的改进,在训练速度和内存要求。为了证明我们的方法对领域知识是不可知的,我们在一个简单的视频数据集中研究了分类问题。
2022-04-21 cs.LG cs.NA eess.SP
Human Behavior Recognition Method Based on CEEMD-ES Radar Selection
Harbin Institute of Technology(哈尔滨工业大学)
近年来,毫米波雷达用于识别人体行为已被广泛应用于医疗、安防等领域。当多部雷达同时执行探测任务时,各雷达所包含特征的有效性难以保证。此外,处理多个雷达数据也需要大量的时间和计算成本。针对这些问题,提出了互补包络经验模式分解-能量切片(CEEMD-ES)多基地雷达选择方法。该方法首先根据人体四肢和躯干反射回波频率的差异对雷达信号进行分解和重构。然后,根据肢体和躯干回波能量比与理论值的差异来选择雷达。提取了所选雷达的时域、频域和各种熵特征。最后,建立了ReLu内核的极限学习机(ELM)识别模型。实验表明,该方法能有效地选择雷达,对三种人体动作的识别率为98. 53%。
2022-06-06 cs.AI eess.SP
Online Learning-based Waveform Selection for Improved Vehicle Recognition in Automotive Radar
本文介绍了与调频连续波(FMCW)汽车雷达系统中基于在线学习的波形选择目标识别相关的重要考虑因素和挑战。我们提出了一种新的学习方法的基础上满意汤普森采样,快速识别波形,预计将产生令人满意的分类性能。我们通过测量级仿真证明,即使在雷达必须从大量候选波形中进行选择的情况下,也可以快速学习有效的波形选择策略。雷达学习自适应地选择适当的分辨率的带宽和慢时间单模码的干扰缓解在感兴趣的场景中通过优化预期的分类度量。
2022-12-01 cs.LG eess.SP
CubeLearn: End-to-end Learning for Human Motion Recognition from Raw mmWave Radar Signals
University of Oxford(牛津大学);University of Edinburgh(爱丁堡大学)
近年来,毫米波FMCW雷达在以人为中心的应用中吸引了大量的研究兴趣,例如人类手势/活动识别。大多数现有的流水线是建立在传统的离散傅里叶变换(DFT)预处理和深度神经网络分类器混合方法上的,其中大多数先前的工作集中在设计下游分类器以提高整体精度。在这项工作中,我们后退一步,看看预处理模块。为了避免传统DFT预处理的缺点,我们提出了一个可学习的预处理模块,命名为CubeLearn,直接从原始雷达信号中提取特征,并建立一个端到端的深度神经网络毫米波FMCW雷达运动识别应用。大量的实验表明,我们的CubeLearn模块始终如一地提高了不同管道的分类精度,特别是那些以前较弱的模型。我们提供消融研究的初始化方法和结构的建议模块,以及PC和边缘设备上的运行时间的评估。这项工作也作为对数据立方体切片的不同方法的比较。通过我们的任务不可知的设计,我们提出了一个通用的雷达识别问题的端到端的解决方案的第一步。
2021-11-07 cs.LG eess.SP
AI-Powered Non-Contact In-Home Gait Monitoring and Activity Recognition System Based on mm-Wave FMCW Radar and Cloud Computing
在本文中,我们利用人工智能,云计算和雷达技术,创建智能传感,使智能应用程序能够改善人们的日常生活。
2022-08-11 eess.SP
An introduction to radar Automatic Target Recognition (ATR) technology in ground-based radar systems
本文探讨了地基雷达系统中的ATR技术,按散射区域分类方法并指出集成ATR可扩大探测范围与提升态势感知,结合俄乌战争强调反隐形、无人机和反干扰需求,预测认知雷达与机器学习将推动4D传感时代。
2023-10-23 eess.SP
Multi-faceted Graph Attention Network for Radar Target Recognition in Heterogeneous Radar Network
雷达目标识别技术作为智能雷达系统的关键技术之一,得到了广泛的研究。在低信噪比(SNR)下精确的RTR仍然是一个开放的挑战。现有的方法大多是基于单雷达或同构雷达网,没有充分利用频率维信息。为了提高异构雷达网低信噪比区域的融合精度,提出了一种双流语义特征融合模型--多面图注意力网络(MF-GAT)。MF-GAT模型通过图注意力网络模型融合从源域和变换域提取的特征,在统一的框架中提取分类前的高层语义特征。大量的实验表明,该模型可以大大提高RTR性能在低信噪比。
2022-06-10 eess.SP
Spatio-Temporal-Frequency Graph Attention Convolutional Network for Aircraft Recognition Based on Heterogeneous Radar Network
Beijing University of Posts and Telecommunications(北京邮电大学);La Trobe University(乐卓博大学);The University of Sydney(悉尼大学)
提出了一种基于知识和数据驱动的图神经网络协同学习模型,用于异构雷达网中飞机的可靠识别。飞机可识别性分析表明:(1)飞机的语义特征是由运动特征驱动的运动模式;(2)雷达散射截面(RCS)信号中包含的语法特征呈现出由飞机电磁辐射形状和运动模式共同决定的时空频(STF)多样性。然后,一个STF图注意力卷积网络(STFGACN)开发的异构雷达网络接收到的RCS信号的语义特征提取。大量的实验结果验证了STFGACN在检测精度方面优于基线方法,并进行了消融实验,以进一步表明,信息维的扩展可以获得相当大的好处,以在低信噪比区域鲁棒地执行。
2022-04-15 cs.LG eess.SP
Cross-modal Learning of Graph Representations using Radar Point Cloud for Long-Range Gesture Recognition
Infineon Technologies AG(英飞凌科技公司);Friedrich-Alexander-University Erlangen-Nuremberg(埃尔朗根-纽伦堡弗里德里希-亚历山大大学);Technical University of Munich(慕尼黑工业大学)
手势识别是最直观的交互方式之一,并且已经聚集了人机交互的特别关注。雷达传感器具有多种固有特性,例如能够在低照度、恶劣天气条件下工作,并且成本低、结构紧凑,这使得它们非常适合用于手势识别解决方案。然而,大多数文献工作集中在解决方案的范围有限,低于一米。我们提出了一种新的架构,用于长距离(1米-2米)手势识别解决方案,该解决方案利用基于点云的交叉学习方法,从相机点云到60 GHz FMCW雷达点云,可以在抑制噪声的同时学习更好的表示。我们使用动态图CNN(DGCNN)的变体进行交叉学习,使我们能够在局部和全局级别上对点之间的关系进行建模,并采用Bi-LSTM网络对时间动态进行建模。在实验结果部分,我们证明了我们的模型的五个手势的整体准确率为98.4%,其泛化能力。
2022-05-19 cs.AI cs.CV cs.LG
Vision Transformer with Convolutional Encoder-Decoder for Hand Gesture Recognition using 24 GHz Doppler Radar
University of Moratuwa(莫拉图瓦大学);Northeastern University(东北大学);Florida International University(佛罗里达国际大学)
结合卷积编码器的Transformers最近已经用于使用微多普勒签名的手势识别(HGR)。我们提出了一种基于视觉变换器的HGR架构与多天线连续波多普勒雷达接收机。所提出的架构由三个模块组成:卷积encoderdecoder,注意力模块与三个Transformer层,和一个多层感知器。新的卷积解码器有助于将较大尺寸的补丁馈送到注意力模块,以改进特征提取。实验结果获得的数据集对应于一个双天线连续波多普勒雷达接收器工作在24 GHz(由Skaria等人出版)。确认所提出的架构实现了98.3%的准确度,这大大超过了所使用数据集的最新技术水平。
2022-09-12 cs.LG eess.SP
Multistatic-Radar RCS-Signature Recognition of Aerial Vehicles: A Bayesian Fusion Approach
Northeastern University(东北大学);University of Pittsburgh(匹兹堡大学);DEVCOM ARL(DEVCOM陆军研究实验室)
针对多基地雷达RATR中融合方法次优的问题,提出结合最优贝叶斯融合与递归贝叶斯分类的全贝叶斯框架,经7种无人机模拟轨迹实验验证,分类准确率显著优于单雷达及次优融合方法。
2024-08-16 cs.CV cs.LG eess.SP
FMCW Radar Principles and Human Activity Recognition Systems: Foundations, Techniques, and Applications
Purdue University(普渡大学);Emory University(埃默里大学)
本书系统阐述FMCW雷达原理及人类活动识别技术,涵盖信号处理、深度学习应用及实际案例,适用于雷达领域研究人员和开发者。
2025-12-22 eess.SP
Noise-Aware Ensemble Learning for Efficient Radar Modulation Recognition
针对低信噪比下雷达调制识别难题,提出 NAEL 噪声感知集成框架,通过评估噪声影响并自适应选择神经网络,以低复杂度实现更高识别准确率。
2025-05-14 eess.SP
FERT: Real-Time Facial Expression Recognition with Short-Range FMCW Radar
Technical University of Munich(慕尼黑工业大学)
本研究提出了一种基于配备1发3收天线的短程FMCW雷达的实时面部表情识别方法,利用四种模态图像并集成特征提取块与ResNet块,在60 GHz数据集上达到98.91%准确率,实现了独立于个人的实时识别。
2024-11-18 cs.CV cs.LG eess.SP
A 2-$μ$J, 12-class, 91% Accuracy Spiking Neural Network Approach For Radar Gesture Recognition
通过尖峰神经网络(SNN)的雷达处理最近已经成为超低功耗无线人机交互领域的解决方案。与传统的能源和区域饥饿的深度学习方法相比,SNN的能源效率明显更高,并且可以部署在越来越多的紧凑型SNN加速器芯片中,使其成为无处不在的物联网应用的更好解决方案。我们提出了一种新的SNN策略用于雷达姿态识别,在两个不同的雷达数据集上实现了91%以上的准确率。我们的工作与以前的方法有很大的不同,因为1)我们使用了一种新的雷达SNN训练策略,2)我们使用了量化的权重,使得在现实世界的SNN硬件中实现了节能,3)我们报告了每个分类的SNN能耗,清楚地展示了基于SNN的雷达处理在现实世界中的可行性和节能效果。我们发布评估代码以帮助未来的研究。
2021-08-24 eess.SP
Radar Human Motion Recognition Using Motion States and Two-Way Classifications
Villanova University(维拉诺瓦大学)
我们使用调频连续波形(FMCW)雷达对日常生活活动(ADL)进行分类。特别是,我们认为连续的运动是不可分割的时间。微多普勒特征和距离图都用于确定从平移(行走)到原地运动的过渡,反之亦然,以及提供运动开始和偏移时间。在平移运动之后和之前的活动的可能类别可以由前向分类器和背景分类器单独处理。本文描述了ADL的状态和过渡动作,并设置了一个框架来处理可分离和不可分离的连续运动。结果表明,考虑只从当前的运动状态产生的运动的物理上可能的类,提高了分类率相比,将所有ADL为任何给定的时间。
2019-11-08 cs.LG eess.SP
Multi-stage Learning for Radar Pulse Activity Segmentation
Queensland University of Technology(昆士兰科技大学);Revolution Aerospace(革命航空航天公司)
针对现有深度学习雷达调制识别方法仅适用于短时长非交错IQ信号、难以支撑军事应用的问题,提出端到端多阶段学习方法,通过多阶段架构逐步预测细粒度分割掩码实现长时交错雷达信号脉冲活动定位,并构建首个该任务的基准数据集。
2023-12-15 cs.LG eess.SP
Generalization Ability Analysis of Through-the-Wall Radar Human Activity Recognition
School of Information and Electronics(信息与电子学院);Beijing Institute of Technology (BIT)(北京理工大学)
本文分析了穿墙雷达人体活动识别的泛化能力,提出端到端线性神经网络方法与微多普勒角点表示,证明特征降维能有效提升模型跨测试者的泛化性能。
2024-10-10 cs.AI eess.SP
Efficient Convolutional Neural Network for FMCW Radar Based Hand Gesture Recognition
FMCW雷达可以检测目标的距离、速度和到达角,具有抗恶劣天气、距离分辨率和速度分辨率高的优点。在本文中,我们认为FMCW雷达作为一种新的交互界面上的笔记本电脑。我们将目标的距离、速度、方位信息的序列合并到单个输入中,然后馈送到卷积神经网络来学习空间和时间模式。我们的模型在测试集和实时测试上达到了96%的准确率。
2019-08-28 cs.HC eess.SP
Robust Continuous Human Activity Recognition Using Deep Learning and Distributed Radar Sensors
Universität Paderborn(帕德博恩大学)
针对分布式雷达连续人体活动识别中视角依赖和转换模糊问题,提出ConvNeXt-MHSA-BiGRU框架,通过自适应融合和双向建模,在L1PO测试中达到87.56%准确率。
2026-09-10 eess.SP
Attention-based Dual-stream Vision Transformer for Radar Gait Recognition
University of Nottingham Ningbo China(宁波诺丁汉大学);Nanyang Technological University(南洋理工大学)
雷达步态识别对光线变化具有鲁棒性,对隐私的侵犯较小。以往的研究通常使用声谱图或节奏速度图。前者显示时频模式,后者编码重复的频率模式。在这项工作中,提出了一个双流神经网络与基于注意力的融合完全聚合的判别信息,从这两个表示。这两个流是基于视觉Transformer设计的,它很好地捕捉了嵌入在这些表示中的步态特征。在雷达步态识别的大型基准数据集上验证了所提出的方法,这表明它显着优于最先进的解决方案。
2021-11-24 cs.CV eess.SP
Radar Cross Section Based Statistical Recognition of UAVs at Microwave Frequencies
提出了一种基于雷达散射截面(RCS)的微波频段无人机(UAV)统计识别系统。首先,本文介绍了在小型电波暗室中测量6架商用无人机在15 GHz和25 GHz频段的垂直(VV)和水平(HH)极化RCS的结果。测量结果表明,无人机的平均RCS与目标无人机的形状、尺寸、材料组成以及照射雷达的方位角、频率和极化方式有关。然后,通过将RCS测量数据拟合到11个不同的统计模型来实现目标无人机的雷达表征。从模型选择分析,我们观察到对数正态分布,广义极值,伽玛分布是最适合建模的商用无人机的RCS,而高斯分布表现相对较差。最好的无人机雷达统计数据形成了所提出的无人机统计识别系统的类别条件概率密度。利用蒙特卡罗分析方法对不同信噪比下的无人机统计识别系统性能进行了评估。在SNR为10 dB时,可实现97.43%或更高的平均分类准确度。
2021-02-23 eess.SP
Transparent and Resilient Activity Recognition via Attention-Based Distributed Radar Sensing
Yazd University(亚兹德大学);Technical University of Darmstadt(达姆施塔特工业大学);Delft University of Technology(代尔夫特理工大学)
本文提出一种基于注意力的分布式雷达感知框架,通过轻量CNN提取局部特征并结合自注意力融合机制,实现高效透明的人体活动识别。
2026-01-06 eess.SP
A Dual-Polarization Feature Fusion Network for Radar Automatic Target Recognition Based On HRRP Sequence
针对极化HRRP序列的雷达自动目标识别,提出双极化特征融合网络DPFFN,采用两阶段融合策略和特定损失函数,显著提升识别性能。
2025-01-23 eess.SP
Activity-dependent resolution adjustment for radar-based human activity recognition
School of Electrical and Electronics Engineering, Pusan National University(釜山大学电气与电子工程学院)
本文提出了一种基于活动特征自适应调整雷达分辨率的方法,以提高人体活动识别的准确率。
2025-12-22 eess.SP
Contrastive Psudo-supervised Classification for Intra-Pulse Modulation of Radar Emitter Signals Using data augmentation
雷达波形的自动分类是电子对抗中的一项基本技术。最近基于监督式深度学习的方法在这类分类任务中取得了很大的成功。然而,这些方法需要足够的标记样本才能正常工作,并且在许多情况下是不可用的。为了解决这个问题,本文,我们提出了一种三阶段的深层雷达波形聚类(DRSC)技术来自动对接收到的信号样本进行无标签分组。首先,在几种数据增强技术的帮助下以自监督的方式训练借口模型以提取类相关特征。接下来,通过伪监督的对比训练,进一步促进了所提取的类相关特征之间的分离,最后通过伪标签的生成,将无监督问题转化为半监督分类问题.仿真结果表明,该算法能够有效地提取类相关特征,性能优于几种无监督聚类方法,甚至达到了与基于监督深度学习的方法相当的性能。
2022-10-13 eess.SP
RadHARSimulator V1: Model-Based FMCW Radar Human Activity Recognition Simulator
针对雷达人体活动识别数据获取难题,提出基于模型的FMCW雷达模拟器,集成13散射体模型模拟12种活动,生成高保真微多普勒特征,并用神经网络验证,为算法设计提供工具。
2025-09-10 eess.SP
Multi Antenna Radar System for American Sign Language (ASL) Recognition Using Deep Learning
本文研究了基于RF的美国手语(ASL)自动识别系统。我们认为,联合空时预处理的雷达回波,使用时频(TF)分析和高分辨率接收波束形成的ASL雷达。由使用多天线传感器的联合时间和空间处理提供的附加自由度可以帮助识别两个或更多个人之间的ASL对话。这是通过应用波束形成来收集空间图像,以试图解决通过手和手臂运动同时进行通信的个体。时空图像融合和分类的卷积神经网络(CNN),这是能够辨别由不同的个人执行的标志,即使当波束形成器不能完全分离的各个标志。焦点小组由具有不同手语专业知识的个人组成,并使用Texas Instruments(TI)级联雷达在77 GHz频率下进行实时测量。
2022-03-30 eess.SP
Automatic Arm Motion Recognition Based on Radar Micro-Doppler Signature Envelopes
针对智能环境中的人机接口问题,提出了一种简单有效的基于多普勒雷达传感器的手臂运动自动识别方法。手臂代替手,具有更强的雷达截面,可以从相对较远的距离被识别。一个基于能量的阈值算法应用于频谱图提取微多普勒(MD)签名信封。正和负频率包络被连接以形成特征向量。然后使用具有曼哈顿距离(L1)的最近邻(NN)分类器来识别手臂运动。结果表明,这种简单的方法产生的分类精度超过97%的六类手臂运动。尽管它的简单性,所提出的方法是优于手工制作的基于特征的分类和低维表示技术的基础上的主成分分析(PCA),并与卷积神经网络(CNN)。
2020-07-15 eess.SP
Self-Supervised Learning for Enhancing Angular Resolution in Automotive MIMO Radars
针对车载低成本 MIMO 雷达角分辨率受限问题,提出基于自监督学习的天线孔径外推框架,并通过百万级蒙特卡洛仿真和真实户外数据验证其目标分辨能力显著提升。
2023-04-25 eess.SP
SuperResolution Radar Gesture Recognitio
本文提出结合传统信号处理与深度学习超分辨率的方法,从低分辨率雷达回波中重建高分辨率信息,以提升座舱内手势识别准确率。
2024-11-23 eess.SP
Long-Range Gesture Recognition Using Millimeter Wave Radar
基于毫米波(mmWave)的手势识别技术提供了良好的人机交互(HCI)体验。现有的工作集中在近距离手势识别,但在范围扩展方面存在不足,即,它们不能识别距离相当大的噪声运动超过一米的手势。在本文中,我们设计了一个远程手势识别模型,利用一种新的数据处理方法和定制的人工卷积神经网络(CNN)。首先将手势分解为多个反射点,提取反映手势细节的时空特征;其次,我们设计了一个CNN来学习变化的模式分别提取的特征,并输出识别结果。我们通过在商品毫米波雷达上实施来彻底评估我们提出的系统。此外,我们还提供了更广泛的评估,以证明所提出的系统是实用的,在几个现实世界的场景。
2020-02-07 cs.HC eess.SP
FOODER: Real-time Facial Authentication and Expression Recognition
Technical University of Munich(慕尼黑工业大学)
FOODER利用雷达数据实现实时面部认证与细粒度表情识别,通过多编码器多解码器架构和MobileViT网络在保持隐私的同时提升准确率。
2025-12-19 cs.AI cs.CV cs.LG
Hand Gesture Recognition based on Radar Micro-Doppler Signature Envelopes
介绍了一种简单而有效的雷达手势自动识别技术。所提出的技术分类的基础上,他们的微多普勒签名的包络的手势。这些包络捕获不同的手运动之间的区别和它们相应的正和负的多普勒频率期间产生的每个手势动作。我们分别检测正负包络,并形成一个特征向量的增强。我们使用$k$ -最近邻($k$ NN)分类器和曼哈顿距离(L1)度量代替欧几里得距离(L2),以便不减少小但关键的包络值。实验结果表明,该方法优于基于主成分分析(PCA)的低维表示技术和基于高斯窗傅立叶字典的稀疏重构技术,能够获得很高的分类率。
2019-02-07 eess.SP
TinyRadarNN: Combining Spatial and Temporal Convolutional Neural Networks for Embedded Gesture Recognition with Short Range Radars
ETH Zürich(苏黎世联邦理工学院);University of Bologna(博洛尼亚大学)
本文提出了一种低功耗、高精度的嵌入式手势识别算法,该算法针对使用低功耗短距离雷达传感器的电池供电的可穿戴设备。利用距离频率多普勒特征的二维卷积神经网络(CNN)与时间卷积神经网络(TCN)相结合进行时间序列预测。最终算法的模型大小仅为4.6万个参数,内存占用仅为92 KB。两个数据集包含由26个不同的人执行的11个具有挑战性的手势,共包含20,210个手势实例。在11个手势数据集上,准确率为86.6%,(26名用户)和92.4%(单个用户)已经实现,这与达到87%的最先进水平相当(10名用户)和94%(单用户),同时使用比现有技术小7500倍的基于TCN的网络。此外,手势识别分类器已经在并行超低功耗处理器上实现,证明了实时预测对于全TCN序列预测网络仅具有21 mW的功耗是可行的,同时实现了小于100 mW的系统级功耗。我们在tinyradar.ethz.ch上提供了对本工作中收集和使用的所有代码和数据的开源访问。
2021-03-16 cs.LG eess.SP
Gesture Recognition for FMCW Radar on the Edge
Infineon Technologies AG(英飞凌科技股份公司)
提出一种基于 60 GHz FMCW 雷达的边缘端轻量手势识别系统,用五特征与早期目标检测替代距离-多普勒成像,并由 RNN 联合检测分类五类手势,在 Cortex-M4 上实现 98.4% F1 与极低资源占用。
2024-01-26 cs.LG eess.SP
SimHumalator: An Open Source WiFi Based Passive Radar Human Simulator For Activity Recognition
这项工作提出了一个仿真框架,以产生人类的微多普勒在基于WiFi的无源雷达的情况下,其中我们模拟IEEE 802.11g投诉WiFi传输使用MATLAB的WLAN工具箱和人类动画模型来自基于标记的运动捕捉系统。我们将WiFi传输信号与人体动画数据相结合,生成微多普勒特征,该特征结合了人体运动特性的多样性和传感器参数。在本文中,我们考虑了五种人类活动。我们统一地对多个机器学习和深度学习模型的分类性能进行基准测试。此外,我们验证的分类性能,同时捕捉到的运动捕捉系统的真实雷达数据。我们目前的实验结果,使用模拟和测量表现出良好的分类精度的$\geq$ 95\%和$\approx$ 90\%,分别。
2021-03-02 eess.SP
AI Empowered Communication and Radar Modulation Recognition: A Survey
Ocean University of China(中国海洋大学);Hanjiang National Laboratory(汉江国家实验室);The University of Manchester(曼彻斯特大学);University College London(伦敦大学学院)
本文综述基于AI的通信与雷达调制识别技术,涵盖模型机器学习和深度学习方法。先研究调制类型、总结特征优缺点,再介绍AI模型并分层研究相关方法,最后突出开放问题并给出未来研究方向。
2026-07-28 eess.SP
Automatic Target Recognition on Synthetic Aperture Radar Imagery: A Survey
City University of London(伦敦城市大学)
自动目标识别(ATR)技术是提高军事平台智能化、自主化水平的核心技术之一。受此刺激,并考虑到合成孔径雷达(SAR)提出了几个优点,其对应的数据域,本文调查和评估目前的SAR ATR架构,采用最流行的数据集的SAR域,即运动和静止目标采集和识别(MSTAR)数据集。根据目前的方法趋势,我们提出了一个分类的SAR ATR架构,以及直接比较的优势和劣势,每种方法在标准和扩展的操作条件下。此外,尽管MSTAR是标准的SAR ATR基准数据集,我们也强调了它的弱点,并提出了未来的研究方向。
2020-12-12 cs.CV eess.IV eess.SP
Few-shot Human Motion Recognition through Multi-Aspect mmWave FMCW Radar Data
针对多视角毫米波雷达少样本动作识别,提出channel-DN4方法,引入局部描述符、情景训练和通道注意力,在3-way 10-shot条件下达到87.533%识别精度。
2025-01-19 eess.SP
RODNet: A Real-Time Radar Object Detection Network Cross-Supervised by Camera-Radar Fused Object 3D Localization
University of Washington(华盛顿大学);Silkwave Holdings Limited(Silkwave控股有限公司)
通过对车辆周围环境的准确和可靠的感知,已经促进了各种自主或辅助驾驶策略。在常用的传感器中,雷达通常被认为是一种鲁棒且具有成本效益的解决方案,即使在不利的驾驶场景中,例如,弱/强照明或恶劣天气。与其考虑融合来自所有可用传感器的不可靠信息,来自纯雷达数据的感知成为值得探索的有价值的替代方案。在本文中,我们提出了一个深度雷达目标检测网络,名为RODNet,它是交叉监督的相机雷达融合算法,而无需费力的注释工作,有效地从射频(RF)图像中实时的【形】检测目标。首先,毫米波雷达捕获的原始信号被转换成距离-方位坐标系中的RF图像。其次,我们提出的RODNet将一系列RF图像作为输入,以预测雷达视场(FoV)中物体的可能性。另外还增加了两个自定义模块,用于处理多啁啾信息和物体相对运动。建议的RODNet不是使用人类标记的地面实况进行训练,而是通过在训练阶段使用相机-雷达融合(CRF)策略对检测到的物体进行新的3D定位来进行交叉监督。最后,我们提出了一种方法来评估的目标检测性能的RODNet。由于没有现有的公共数据集可用于我们的任务,我们创建了一个新的数据集,名为CRUW,其中包含各种驾驶场景中的同步RGB和RF图像序列。通过大量的实验,我们提出的交叉监督RODNet实现了86%的平均准确率和88%的平均召回率的目标检测性能,这表明在各种驾驶条件下的噪声场景的鲁棒性。
2021-02-09 cs.CV eess.SP
PECL: A Heterogeneous Parallel Multi-Domain Network for Radar-Based Human Activity Recognition
本文提出 PECL 网络,通过在距离-时间、多普勒-时间和距离-多普勒三个域中结合注意力与时间单元,提升雷达人体活动识别精度,准确率达 96.16%,优于现有方法至少 4.78%。
2025-11-07 cs.AI eess.SP
Experiments with mmWave Automotive Radar Test-bed
University of Washington(华盛顿大学);Silkwave Holdings(矽控控股)
毫米波(mmW)雷达越来越多地集成在商用车辆中,以支持新的自适应驾驶员辅助系统(ADAS),因为它能够提供物体的高精度位置,速度和角度估计,在很大程度上独立于环境条件。这种雷达传感器不仅执行检测和测距/角度定位等基本功能,而且还通过物体识别和分类为环境感知提供关键输入。为了探索基于雷达的ADAS应用,我们基于德州仪器(TI)汽车芯片组系列组装了一个实验室规模的调频连续波(FMCW)雷达测试台(https://depts.washington.edu/funlab/research)。在这项工作中,我们描述了测试台组件,并提供了FMCW雷达的工作原理的总结。到目前为止,我们已经为受控场景下的各种对象创建了一个大型原始雷达数据集。此后,我们将一些雷达成像算法应用于收集的数据集,并提出了一些初步的结果,验证其在目标识别方面的能力。我们的代码可在https://github.com/Xiangyu-Gao/mmWave-radar-signal-processing-and-microDoppler-classification上获得。
2022-10-07 cs.LG eess.SP
Introduction to Drone Detection Radar with Emphasis on Automatic Target Recognition (ATR) technology
本文针对小型无人机雷达探测分类难题,提出集成ATR能力的无人机探测雷达设计,结合散射区理论与反馈机制提升性能,还探索了认知雷达应对单向攻击无人机的潜力,可应用于多领域。
2023-07-19 cs.SY eess.SP eess.SY
Robust Radar HRRP Recognition under Non-uniform Jamming Based on Complex-valued Frequency Attention Network
Tsinghua University(清华大学)
针对非均匀干扰导致雷达HRRP失真、传统识别方法性能下降的问题,本文提出含CFA模块的端到端复值频率注意力网络,可自适应滤波干扰频段,在强干扰下识别准确率较传统方法提升近9%且计算开销极低。
2025-11-16 eess.SP
Radar-Based Recognition of Static Hand Gestures in American Sign Language
Friedrich-Alexander-Universität Erlangen-Nürnberg(埃尔朗根-纽伦堡弗里德里希-亚历山大大学)
本文研究基于成像雷达空间信息的美式手语静态手势识别,提出仅用可调材料模型的射线追踪模拟器生成合成数据训练神经网络,并在真实测量数据上验证了其有效性,为解决雷达手势识别中训练数据稀缺问题提供了实用方法。
2024-02-20 cs.CV eess.SP
Joint OAM Radar-Communication Systems: Target Recognition and Beam Optimization
轨道角动量(OAM)雷达能够在没有相对运动或波束扫描的情况下估计多个目标的方位角和旋转速度。此外,OAM无线通信可以通过在相同频率信道上利用一组信息承载模式来实现高频谱效率(SE)。基于上述优点,本文设计了一种基于均匀圆阵的雷达中心联合OAM雷达通信(RadCom)方案,将信息信号调制在现有OAM雷达波形上。首先提出了一种基于OAM的三维超分辨率位置估计和旋转速度检测方法,该方法能够准确估计多个目标的三维位置和旋转速度。然后,我们推导出基于OAM的估计的后验Cramer-Rao界(PCRB),最后,我们分析了综合通信系统的传输速率。为了实现成像和通信之间的最佳折衷,通过穷举搜索方法优化传输的集成OAM波束。数学分析和仿真结果均表明,提出的以雷达为中心的联合OAM RadCom方案在保证通信接收机传输速率的前提下,能够准确估计多个目标的三维位置和旋转速度,是对现有联合RadCom方案的有效补充。
2022-05-11 eess.SP
MobiVital: Self-supervised Time-series Quality Estimation for Contactless Respiration Monitoring Using UWB Radar
Qualcomm(高通公司);UCLA(加利福尼亚大学洛杉矶分校);Samsung Research America(美国三星研究院);Meta;Amazon(亚马逊公司)
提出 MobiVital,通过自监督自回归波形提取与生物学启发的反转校正提升 UWB 雷达呼吸波形质量,并发布 12 人 24 小时同步真值数据集。
2025-03-14 cs.LG eess.SP