并非一刀切：用于雷达分类的多尺度级联RNN
信号处理
2019-09-10 v1 机器学习
摘要
基于微功耗脉冲多普勒雷达的边缘感知是监测与监控领域的一个新兴方向，具有多种智慧城市应用。针对杂波与多源雷达分类任务，现有解决方案在精度或效率方面存在局限，有时难以在虚警与源召回率之间取得平衡。我们发现，通过跨多个时间尺度学习分类器可以解决这一问题。我们提出了一种多尺度级联循环神经网络架构MSC-RNN，其下层由高效的多实例学习（MIL）循环神经网络（RNN）组成，用于杂波判别；上层则由更复杂的RNN分类器进行源分类。通过下层有条件地控制上层RNN的调用，MSC-RNN实现了0.972的整体准确率。我们的方法相较于适用于雷达推理的机器学习模型，全面提升了准确率和各类别的召回率。值得注意的是，我们使用时域深度特征学习超越了跨域手工特征工程，同时比一种竞争性方案效率高出约3倍。
引用
@article{arxiv.1909.03082,
title = {One Size Does Not Fit All: Multi-Scale, Cascaded RNNs for Radar Classification},
author = {Dhrubojyoti Roy and Sangeeta Srivastava and Aditya Kusupati and Pranshu Jain and Manik Varma and Anish Arora},
journal= {arXiv preprint arXiv:1909.03082},
year = {2019}
}
备注
Conditionally accepted to ACM BuildSys 2019