摘要由 AI 生成
研究人员利用 RadarScenes 数据集训练了一个五分类器，用于汽车、大型车辆、两轮车、行人及行人组的目标识别。该模型输入为每帧扫描的 16 维直方图，采用三层全连接层结构，仅处理单帧数据。为解决类别不平衡问题，研究将两轮车合并为自行车与机动变体，大型车辆合并为卡车、巴士和火车。消融实验表明，训练/验证/测试划分比例对性能的影响大于网络结构调整。宏观 F1 分数随雷达检测数增加从 0.381 升至 0.764，其中汽车和行人分类效果最佳，两轮车最差。未来计划探索点云神经网络及多帧扫描数据以解决稀疏性问题并研究微多普勒效应。
关键实体KEY ENTITIES
Bruno PintoRadarScenes
报道态势 · 每日报道量LANGUAGE SPLIT
实体关系
信号强度SIGNALS
关键词热度
- RadarScenes1
- Bruno Pinto1
全部报道（1）SOURCES
↗
作者基于 RadarScenes 雷达点云训练了一个五分类器（汽车、大型车辆、两轮车、行人、行人组），输入为每帧扫描的 16 维直方图，网络采用三层全连接层。该工作基于"Histogram-based Deep Learning for Automotive Radar"论文，仅处理单帧扫描数据。针对数据类别不平衡问题，将两轮车合并自行车与机动变体，大型车辆合并卡车、巴士和火车。消融实验显示，改变训练/验证/测试划分比例对性能的影响大于调整网络结构或特征编码。宏观 F1 分数随每实例雷达检测数从 1 增至 5 而上升，从 0.381 升至 0.764；汽车和行人分类效果最佳，两轮车最差。未来计划尝试点云神经网络等空间编码方案并积累多帧扫描以解决稀疏性问题及探索微多普勒效应。