融合快照集成与知识迁移的人体行为识别算法

作     者：李媛 李杜 袁雪林 徐奕禹 朱祥维 LI Yuan;LI Du;YUAN Xuelin;XU Yiyu;ZHU Xiangwei

作者机构：中山大学·深圳电子与通信工程学院广东深圳518107 

出 版 物：《信号处理》 (Journal of Signal Processing)

年 卷 期：2023年第39卷第1期

页      面：73-83页

核心收录：

学科分类：080904[工学-电磁场与微波技术] 0810[工学-信息与通信工程] 0809[工学-电子科学与技术（可授工学、理学学位）] 08[工学] 081105[工学-导航、制导与控制] 081001[工学-通信与信息系统] 081002[工学-信号与信息处理] 0825[工学-航空宇航科学与技术] 0811[工学-控制科学与工程] 

基　　金：深圳市基础研究重点项目(2020N259)资助课题 深圳市科技计划(GXWD 20201231165807008,20200830225317001)资助课题 

主　　题：毫米波雷达 迁移学习 集成学习 人体行为识别 微多普勒 

摘      要：用卷积网络进行人体行为识别是毫米波雷达的一个热门研究方向。由于卷积网络结构的缺陷性,而且目前用于人体行为识别公开的雷达领域数据样本量过少,传统深度学习算法对雷达微多普勒图像的识别率不高,且在训练过程中容易出现过拟合的现象。针对上述问题,本文提出一种融合快照集成与迁移学习的雷达人体行为识别算法。首先,针对深度卷积网络无法提取图像全局特征的问题,该算法通过搭建Vision Transformer(VIT)模型引入注意力机制。其次,通过VIT模型在公开自然数据集上进行任务迁移和特征空间的迁移,解决微多普勒图像的识别过拟合的问题。最后,利用基于快照集成的投票机制算法,提升模型对复杂雷达微多普勒图像的识别能力。试验结果表明,在目标任务数据集样本量少、背景复杂的情况下,该算法能在不增加训练成本的前提下提升微多普勒图像的识别准确率,在VIT模型下该算法识别准确率达到了89.25%,优于经典卷积神经网络。