A MIMO Radar-based Few-Shot Learning Approach for Human-ID

要約

ディープラーニングベースの人間識別用のレーダーは、ますます関心が高まっている研究分野になっています。
マイクロドップラー（$ \ mu $ -D）は、周期的な手足の微動をキャプチャすることにより、歩行行動を反映できることが示されています。
主な側面の1つは、リアルタイムおよびトレーニングデータセットのサイズの制約を考慮しながら、含まれるクラスの数を最大化することです。
この論文では、多入力多出力（MIMO）レーダーを使用して、仰角速度（$ \ mu $-$ \ omega $）のマイクロモーションスペクトログラムを作成します。
この新しく作成されたスペクトログラムを一般的に使用される$\mu$-Dと連結することの有効性が調査されます。
制約のない実際の歩行動作に対応するために、適応サイクルセグメンテーションフレームワークが利用され、メトリック学習ネットワークが半歩行サイクル（$ \ approx $ 0.5秒）でトレーニングされます。
さまざまな数のクラス（5〜20）、さまざまなデータセットサイズ、およびさまざまな観測時間ウィンドウ1〜2の影響に関する研究が実施されます。
22人の被験者の制約のない歩行データセットが、レーダーに対してさまざまなアスペクト角で収集されます。
提案された数ショット学習（FSL）アプローチは、被験者ごとにわずか2分のトレーニングデータで11.3％の分類エラーを達成します。

要約(オリジナル)

Radar for deep learning-based human identification has become a research area of increasing interest. It has been shown that micro-Doppler ($\mu$-D) can reflect the walking behavior through capturing the periodic limbs’ micro-motions. One of the main aspects is maximizing the number of included classes while considering the real-time and training dataset size constraints. In this paper, a multiple-input-multiple-output (MIMO) radar is used to formulate micro-motion spectrograms of the elevation angular velocity ($\mu$-$\omega$). The effectiveness of concatenating this newly-formulated spectrogram with the commonly used $\mu$-D is investigated. To accommodate for non-constrained real walking motion, an adaptive cycle segmentation framework is utilized and a metric learning network is trained on half gait cycles ($\approx$ 0.5 s). Studies on the effects of various numbers of classes (5–20), different dataset sizes, and varying observation time windows 1–2 s are conducted. A non-constrained walking dataset of 22 subjects is collected with different aspect angles with respect to the radar. The proposed few-shot learning (FSL) approach achieves a classification error of 11.3 % with only 2 min of training data per subject.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google