论文速览 WACV 2024 | 基于雷达反射提升的物体监测增强 | Boosting Radar Reflections for Enhanced Object Detection

无线感知与雷达成像领域的最新进展 (实时更新): （不断优化） 参考链接

注1:本文属于"无线感知论文速递"系列之一,旨在简洁、清晰和全面地介绍和解释无线感知领域最新的重要会议与期刊论文（涵盖Nature/Science及其子刊; MobiCom, SigCom, MobiSys, NSDI, SenSys, Ubicomp; JSAC及雷达学报等）。
本次介绍的研究成果是: WACV 2024 | 通过提升雷达反射特性实现物体监测性能的增强 | Boosting Radar Reflections for Enhanced Object Detection

论文速览 第XX届计算机视觉与人工智能大会（WACV 2024） | 针对具有提升雷达反射特性的场景进行优化以增强目标检测性能 | The study focuses on improving radar reflection characteristics to enhance object detection performance.

1 引言

伴随着

已有研究表明，在处理雷达图像时，采用基于端到端深度神经网络的方法能够有效减少点扩散函数（PSF）对目标的影响。本研究则提出了一种新型技术方案——提升雷达反射（BoostRad）。本方案首先通过训练一个深度神经网络（DNN）来优化所有反射点的空间响应特性；随后，在处理经过优化后的数据时，再利用另一个DNN进行目标检测。本研究设计了一套创新性的训练优化策略用于提升所述深度神经网络（DNN），这一策略充分考虑并融入了雷达信号传播特性的物理知识。实验对比结果表明，在多个基准测试任务中，本方案的表现均显著优于传统基于端到端深度学习的方法。

2 动机

汽车雷达图像质量较差的主要原因是雷达的角分辨率较低。这使得该系统的点扩散函数在角度维度上的分布较为宽广（如图1所示）。上述因素直接影响了目标边缘模糊的现象，并使得对目标形状、方向及类别的确切识别变得困难。进一步地，在实际应用中，当多个目标彼此靠近时，辨别它们之间的差异也会变得具有挑战性。另一方面，在分析过程中需要注意的是PSF的旁瓣会产生杂波

图:雷达的点扩散函数示意图

为了应对这一挑战,许多研究发展出基于端到端深度学习的方法,通过直接从雷达图像识别目标来缓解聚焦效应的影响。我们创新性地提出了一种新型算法——BoostRad。该算法首先利用DNN技术将场景中所有反射点的PSF进行压缩,随后通过另一个DNN完成目标识别过程（如图2所示）。该系统的核心目标是将低分辨率雷达图像（左图）转化为高分辨率雷达图像（右图）。这种方法能够显著提升目标检测性能。

3 方法

3.1 提升网络

该系统由两个深度神经网络模块构成。其中第一个模块命名为提升网络,主要负责缩小所有反射点的点扩散函数（PSF）。另一个模块则专注于从前一模块的输出结果中识别目标。

提升网络是一种经过精心设计的卷积神经网络，在图3中可见。该系统的输入是原始雷达反射强度图像数据，在经过特定算法处理后会生成更高角分辨率的新图像数据。为了实现更好的训练效果，在监督学习过程中采用高分辨率的真实雷达图像作为参考数据集（被称为"超级雷达"）。然而由于超级雷达设备在实际应用中不可行性问题，则无法直接获取高质量观测数据；为此我们开发了一种基于仿真的高精度虚拟 radar 数据生成器来进行实验研究

图:提升网络架构图。

提升网络的两个关键创新点是:

通过将雷达图像转化为概率图的形式，在每个像素位置上进行反射概率的计算，并将其作为提升网络的监督信号使用。

基于深度学习设计的一种自适应损失函数用于对图像像素进行三分类处理，并赋予各分类不同的权重系数。通过优化机制迫使网络收敛至更紧凑的空间表示。

3.2 检测网络

检测网络基于UNet架构设计，并将增强后的输入图像作为其运算的基础。该系统能够识别并生成每个像素的分类概率以及相应的边界框参数。

4 实验和结果

对公开数据集RADDet和CARRADA进行了评估实验，在实验结果中发现BoostRad表现出色，在多个基准模型中取得了显著成绩

图:BoostRad与基准方法的性能比较。

进一步对提升网络的组件进行了分析。研究结果表明构建了概率模型和自定义损失函数对于获得更好的提升效果至关重要。

此外,通过优化网络结构能够显著提升端到端方法的整体性能。这表明目标检测任务可以通过分阶段策略来提高效率:首先优化图像质量,然后实施目标检测流程。

5 不足和展望

本文指出一个局限在于提升网络基于合成数据进行过训练,模型在推广至真实场景时仍存在不足。未来工作建议采用的方法是利用真实雷达数据对模型进行微调优化以增强其适用性

另一个值得探索的方向是将提升网络与检测网络融合成为一个完整的系统架构，并推动协同优化过程。

6 总结

该文提出了一种名为BoostRad的方法，在处理雷达图像时通过深度神经网络（DNN）对点扩散函数（PSF）进行缩减处理。这一技术处理方式有助于提高后续目标检测的效果。实验数据显示，在对比实验中该多阶段方法在性能上超越了端到端的方法。此外，在合成数据的应用方面也取得了一定进展。