用于微多普勒雷达分类的深度神经网络鲁棒性
计算机视觉与模式识别
2024-02-23 v2 机器学习
信号处理
摘要
深度分类器在雷达数据处理方面具备强大能力的同时，也面临学习难以泛化的数据集特定特征的风险。本文评估了在相同数据上训练和测试的两种深度卷积架构的鲁棒性。当遵循标准训练实践时，两种分类器均对输入表示的微小时间偏移表现出敏感性，而这种数据增强几乎不携带语义信息。此外，模型极易受到对抗样本的攻击。微小时间偏移和对抗样本均是模型对难以泛化的特征过拟合的结果。作为一种补救措施，本文表明，在对抗样本和时间增强样本上进行训练可以减轻这种效应，并使模型获得更好的泛化能力。最后，本文证明，基于步进速度图表示而非多普勒时间表示的模型对对抗样本具有天然的更强免疫力。
引用
@article{arxiv.2402.13651,
title = {Robustness of Deep Neural Networks for Micro-Doppler Radar Classification},
author = {Mikolaj Czerkawski and Carmine Clemente and Craig Michie and Christos Tachtatzis},
journal= {arXiv preprint arXiv:2402.13651},
year = {2024}
}