TinyRadarNN：结合空间与时间卷积神经网络实现短距雷达嵌入式手势识别
信号处理
2021-04-07 v3 机器学习
摘要
本工作提出一种低功耗、高精度的嵌入式手部手势识别算法，面向使用低功耗短距RADAR传感器的电池供电可穿戴设备。将利用距离-频率-多普勒特征的二维卷积神经网络(CNN)与时间卷积神经网络(TCN)相结合以进行时间序列预测。最终算法的模型规模仅4.6万参数，内存占用仅92 KB。我们记录了两个数据集，包含26名不同人员完成的11种挑战性手势，共计20,210个手势实例。在11种手势数据集上，分别取得了86.6%(26名用户)和92.4%(单用户)的准确率，与最先进水平(state-of-the-art)的87%(10名用户)和94%(单用户)相当，而所用的TCN网络规模仅为最先进网络的1/7500。此外，该手势识别分类器已在并行超低功耗处理器上实现，证明全TCN序列预测网络仅以21 mW功耗即可实现实时预测，系统级功耗低于100 mW。我们在tinyradar.ethz.ch上公开提供本工作收集与使用的所有代码和数据。
引用
@article{arxiv.2006.16281,
title = {TinyRadarNN: Combining Spatial and Temporal Convolutional Neural Networks for Embedded Gesture Recognition with Short Range Radars},
author = {Moritz Scherer and Michele Magno and Jonas Erb and Philipp Mayer and Manuel Eggimann and Luca Benini},
journal= {arXiv preprint arXiv:2006.16281},
year = {2021}
}