RAMP-CNN：一种用于增强汽车雷达目标识别的新型神经网络
信号处理
2022-05-02 v2 人工智能
计算机视觉与模式识别
机器学习
机器人学
摘要
毫米波雷达正越来越多地集成到商用车辆中，通过实现稳健且高性能的目标检测、定位以及识别——新环境感知的关键组成部分——来支持新型高级驾驶辅助系统。在本文中，我们提出了一种新型雷达多视角卷积神经网络（RAMP-CNN），该网络基于对距离-速度-角度（RVA）热图序列的进一步处理来提取目标的位置和类别。为了绕过4D卷积神经网络（NN）的复杂性，我们提议在RAMP-CNN模型中结合几个低维NN模型，这些模型以较低的复杂性接近性能上限。大量实验表明，所提出的RAMP-CNN模型在所有测试场景中实现了比先前工作更好的平均召回率和平均精度。此外，RAMP-CNN模型被验证在夜间能够稳健工作，这使得低成本雷达成为恶劣条件下纯光学传感的潜在替代品。
引用
@article{arxiv.2011.08981,
title = {RAMP-CNN: A Novel Neural Network for Enhanced Automotive Radar Object Recognition},
author = {Xiangyu Gao and Guanbin Xing and Sumit Roy and Hui Liu},
journal= {arXiv preprint arXiv:2011.08981},
year = {2022}
}
备注
15 pages