毫米波雷达点云序列的面具意识的时空分类使用DGCNN和变压器在封闭空间儿童-物识别
1State Key Laboratory of Advanced Optical Communication Systems and Networks, Institute of Quantum Sensing and Information Processing, School of Sensing Science and Engineering, Shanghai Jiao Tong University, Shanghai 201100, China.
Sensors (Basel, Switzerland)
|March 14, 2026
概括
这项研究引入了毫米波雷达点云分类的新框架,在识别儿童,猫和狗方面达到97.8%的准确性. 该方法通过整合空间掩饰和时间建模来增强复杂环境中的识别.
科学领域:
- 计算机视觉 计算机视觉
- 传感器数据处理 传感器数据处理
- 机器学习 机器学习
背景情况:
- 在封闭空间中非接触式目标识别需要强大的解决方案.
- 毫米波雷达提供隐私友好,低光和遮蔽强大的传感.
- 挑战包括稀疏的点云,噪音,多路径干扰和时间点数波动,降低现有的分类方法.
研究的目的:
- 为毫米波雷达点云序列开发一个时空联合分类框架.
- 为了应对稀疏,杂和暂时动态的点云在复杂环境中所带来的挑战.
- 提高生活形式识别在狭窄空间的可靠性和准确性.
主要方法:
- 在空间维度中引入了一个点罩机制,以抑制无效点并增强局部几何表示.
- 在时间维度中集成基于注意力的时间序列建模,以捕捉跨框架的动态模式.
- 为毫米波点云序列开发了一个时空空间联合分类框架.
主要成果:
- 在三种分类任务 (儿童,猫,狗) 中获得了97.8%的准确性.
- 废弃分析证实了面具机制和时间序列建模的重大贡献.
- 在复杂环境中表现出强大的识别性能.
结论:
- 拟议的框架为毫米波点云分类提供了可部署和通用的解决方案.
- 时空方法有效地处理稀疏,杂和动态点云数据.
- 这种方法显著提高了利用毫米波雷达在狭窄的空间中识别生命形式.