.png){kind=icon}
返回
A Lightweight DCNN Algorithm for Radar-Based Suspicious Human Activities Classification With Data Augmentation Techniques
.png){kind=icon}
PRE
AI
DOI：10.1109/MAES.2025.3581164.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
近期关于用于微多普勒（m-D）特征分类的深度卷积神经网络（DCNNs）的研究面临显著挑战，这归因于数据获取的有限性和高成本。这一限制约束了能够有效实施且深度和性能俱佳的DCNN模型的发展。此外，大多数DCNN模型本身复杂且计算成本高昂，这进一步加剧了数据有限场景下的过拟合问题。将预训练模型应用于微多普勒（m-D）特征的小规模数据集时存在劣势。在无关数据（如图像）上训练的预训练模型通常无法捕捉雷达m-D特征的独特性，导致性能欠佳。本研究通过引入针对雷达m-D特征的增强方法解决这些挑战。采用时间平移、频率扰动和频率偏移等技术生成多样化数据集，从而丰富训练数据并提升模型泛化能力。此外，我们提出一种专为该任务设计的轻量化DIAT-DSCNN-HARNet模型。实验结果表明，该模型在增强数据的分类精度上优于预训练及从零训练的DCNN模型。具体而言，该方法在对抗生成网络生成的图像上表现更优。研究结果表明，增强策略和专用模型设计在改进m-D特征分类方面具有显著效果。
Keyword:
Deep separable convolutional neural network
suspicious human activities
frequency shift
frequency disturbance
time shift
期刊
IF:
3.8
论文数:
2.1K
被引数:
2.5K
机构
引用论文
分享收藏HUMAN MOTION RECOGNITION IN SMALL SAMPLE SCENARIOS BASED ON GAN AND CNN MODELS基于GAN和CNN模型的小样本场景下的人体运动识别
OAAI
OAAI分享收藏A survey on deep learning tools dealing with data scarcity: definitions, challenges, solutions, tips, and applications关于处理数据稀缺的深度学习工具的调查: 定义，挑战，解决方案，技巧和应用.png)
JOURNAL OF BIG DATAOAAI
JOURNAL OF BIG DATAIF6.4
OAAI分享收藏分享收藏
Human Activity Recognition Based on WRGAN-GP-Synthesized Micro-Doppler SpectrogramsIEEE SENSORS JOURNAL
IEEE SENSORS JOURNALIF4.5
PREAI
分享收藏Unsupervised Domain Adaptation for Micro-Doppler Human Motion Classification via Feature Fusion
PREAI
分享收藏
查看更多内容