利用运动学筛选的ACGAN合成雷达微多普勒特征进行动作分类
信号处理
2020-01-24 v1 机器学习
机器学习
摘要
深度神经网络（DNN）最近在需要雷达回波分类的应用中受到广泛关注，包括用于安全、智能家居、辅助生活和生物医学的基于雷达的人体活动识别。然而，由于雷达数据收集所需的高人力成本和资源，获取足够大的训练数据集仍然是一项艰巨任务。本文提出了一种对抗学习的扩展方法，用于生成适应不同环境的合成雷达微多普勒特征。使用视觉解释、运动学一致性分析、数据多样性、潜空间维度以及显著性图对合成数据进行评估。引入了一种基于主成分分析（PCA）的运动学筛选算法，以确保合成特征与物理上可能的人体运动一致。合成数据集用于训练一个19层深度卷积神经网络（DCNN），以分类从与提供给对抗网络的数据集不同的环境中获取的微多普勒特征。在包含多个视角（0°、30°、45°以及60°）的数据集上实现了93%的总体准确率，其中由于运动学筛选带来了9%的提升。
引用
@article{arxiv.2001.08582,
title = {Motion Classification using Kinematically Sifted ACGAN-Synthesized Radar Micro-Doppler Signatures},
author = {Baris Erol and Sevgi Zubeyde Gurbuz and Moeness G. Amin},
journal= {arXiv preprint arXiv:2001.08582},
year = {2020}
}