RadarFuseNet: 用于鲁棒分类的时间-频率IQ雷达特征的复值交叉注意力融合
信号处理
2026-02-17 v2
摘要
毫米波（mmWave）雷达已成为一种紧凑而强大的感知模态，适用于利用机器学习的高级感知任务。它在视觉传感器无法捕获可靠信息的场景中特别有效，例如检测遮挡物体或区分室内环境中的不同表面材料。由于mmWave雷达信号的非线性特性，基于深度学习的方法非常适合从同相和正交（IQ）数据中提取相关信息。然而，当前基于IQ信号的遮挡物体和材料分类的最先进方法仍有相当大的改进空间。在本文中，我们提出了一种双向交叉注意力融合网络，结合了IQ信号和FFT变换的雷达特征，这些特征由不同的复值卷积神经网络（CNN）获得。在实验中，我们在训练时使用的相同传感器距离上收集的样本上实现了99.92%的材料分类准确率，在先前未见过的距离上测量的样本上实现了65.56%的准确率，展示了在不同测量条件下的改进泛化能力。此外，我们的方法将遮挡物体分类准确率提高到94.20%，超越了所有对比和消融模型，突显了所提出的融合策略的优势。
引用
@article{arxiv.2512.11537,
title = {RadarFuseNet: Complex-Valued Cross-Attention Fusion of Time-Frequency IQ Radar Features for Robust Classification},
author = {Stefan Hägele and Adam Misik and Eckehard Steinbach},
journal= {arXiv preprint arXiv:2512.11537},
year = {2026}
}
备注
5 pages, 5 figures