面向深度学习基mmWave雷达感知的跨环境泛化综合部署评估
计算机视觉与模式识别
2025-12-16 v1 机器学习
摘要
本研究首次全面评估了必不可少的实用部署的空间泛化技术,这些技术对于基于深度学习的射频(RF)感知至关重要。我们专注于使用频率调制连续波(FMCW)多输入多输出(MIMO)雷达在室内环境中的人数计数,系统性地调查了广泛的方法,包括幅度基于统计预处理(sigmoid加权和阈值零化)、频域滤波、基于自编码器的背景抑制、数据增强策略和迁移学习。在两个具有不同布局的环境中收集的实验结果表明,sigmoid基于幅度加权始终实现了优于基线方法的跨环境性能,分别在均方根误差(RMSE)和平均绝对误差(MAE)上分别降低了50.1%和55.2%。数据增强提供了额外但适度的益处,MAE提升最高可达8.8%。相比之下,迁移学习对于大幅空间偏移至关重要,在540个目标域样本下,分别实现了RMSE和MAE的82.1%和91.3%的降低。综合这些发现,本文确立了开发能够在空间变化下保持稳健准确性的雷达感知系统的高度实用方向,通过集成深度学习模型与幅度基于预处理和有效迁移学习。
关键词
引用
@article{arxiv.2512.13018,
title = {Comprehensive Deployment-Oriented Assessment for Cross-Environment Generalization in Deep Learning-Based mmWave Radar Sensing},
author = {Tomoya Tanaka and Tomonori Ikeda and Ryo Yonemoto},
journal= {arXiv preprint arXiv:2512.13018},
year = {2025}
}
备注
8 pages, 6 figures. Comprehensive evaluation of preprocessing, data augmentation, and transfer learning for cross-environment generalization in deep learning-based mmWave radar sensing