EFA-RadNet: Efficient Feature Aggregation with Balanced Attention for Raw Radar Multi-Task Learning

Chengliang Zhong

doi:10.3390/s26072050

EFA-RadNet: Efficient Feature Aggregation with Balanced Attention for Raw Radar Multi-Task Learning

2026-04-04

0

OA

AI

DOI：10.3390/s26072050

原文链接

查看原文

摘要

En 中文

原始高分辨率雷达数据包含丰富的环境信息，包括距离、多普勒速度和方位角。然而，从这种稀疏且含噪声的频域数据中提取鲁棒特征仍然是一个挑战。为解决此问题，本文提出了一种改进的多任务网络——高效特征聚合与平衡注意力雷达网络（EFA-RadNet）。该网络将VoVNetV2架构引入原始雷达感知领域，并通过One-Shot Aggregation（OSA）模块有效保留了不同感受野中的特征多样性，避免了信号混叠。此外，我们提出了一个注意力机制模块——平衡有效Squeeze–Excitation（B-eSE），其更适合稀疏雷达处理，并有效解决了雷达频谱中弱目标丢失的问题。在RADIal数据集上的实验表明，我们的EFA-RadNet在实现优异目标检测性能的同时，也达到了自由空间分割的最优精度。

Keyword:

millimeter-wave radar

object detection

deep learning

feature aggregation

attention mechanism

autonomous driving

EFA-RadNet: Efficient Feature Aggregation with Balanced Attention for Raw Radar Multi-Task Learning

摘要

AI总结

期刊

机构

引用论文