基于规则、机器学习与深度学习的无线电波传感人体估计综合评估：准确率、空间泛化与输出粒度的权衡

本研究首次对基于规则的方法、传统机器学习模型和深度学习模型在采用调频连续波多输入多输出雷达的无线电波传感中进行了全面比较。我们在两个布局不同的室内环境中系统评估了五种方法：基于规则的连通分量方法；三种传统机器学习模型，即 k 近邻、随机森林和支持向量机；以及一个结合卷积神经网络和长短期记忆的深度学习模型。在训练环境中，卷积神经网络长短期记忆模型取得了最高的准确率，而传统机器学习模型提供了适中的性能。然而，在新的布局中，所有基于学习的方法均表现出显著的性能下降，而基于规则的方法保持稳定。值得注意的是，对于有人与无人的二元检测，所有模型在不同布局中均持续取得高准确率。这些结果表明，高容量模型能够在相同环境中产生高准确率的细粒度输出，但它们容易受到领域偏移的影响。相比之下，基于规则的方法无法提供细粒度输出，但对领域偏移表现出鲁棒性。此外，无论模型类型如何，空间泛化性能与输出粒度之间均存在明显的权衡。