TWR-MCAE: A Data Augmentation Method for Through-the-Wall Radar Human Motion Recognition

要約

壁面減衰、マルチパス効果、システム干渉による壁面通過型レーダー（TWR）人体運動の精度低下と収束時間の延長の問題を解決するために、マルチリンク自動符号化ニューラルネットワーク（TWR-MCAE）データ補強方法を提案する。具体的には、特異値分解（SVD）ベースのデータ前処理モジュール、改良型座標注目モジュール、圧縮センシング学習型反復縮小閾値再構成アルゴリズム（LISTA）モジュール、適応的重みモジュールによってTWR-MCAEアルゴリズムを共同構築する。データ前処理モジュールは、壁面クラッタ、人体運動特徴、およびノイズ部分空間の分離を実現する。改良型座標注目モジュールは、クラッタとノイズの抑制を実現する。LISTAモジュールは、人体運動特徴の強調を実現する。適応的な重みモジュールは、重みを学習し、3つの部分空間を融合させる。TWR-MCAEは、壁の乱雑さの低ランク特性を抑制すると同時に、人物の動きのスパース性を向上させることができる。また、TWR-MCAEを分類の前に用いることで、他の事前知識を追加したり、より多くのデータを収集したりすることなく、特徴抽出能力を向上させることができる。実験では、提案アルゴリズムがより良いピーク信号対雑音比(PSNR)を得ることで、認識精度が向上し、バックエンド分類器の学習過程が高速化されることが示された。

要約(オリジナル)

To solve the problems of reduced accuracy and prolonging convergence time of through-the-wall radar (TWR) human motion due to wall attenuation, multipath effect, and system interference, we propose a multilink auto-encoding neural network (TWR-MCAE) data augmentation method. Specifically, the TWR-MCAE algorithm is jointly constructed by a singular value decomposition (SVD)-based data preprocessing module, an improved coordinate attention module, a compressed sensing learnable iterative shrinkage threshold reconstruction algorithm (LISTA) module, and an adaptive weight module. The data preprocessing module achieves wall clutter, human motion features, and noise subspaces separation. The improved coordinate attention module achieves clutter and noise suppression. The LISTA module achieves human motion feature enhancement. The adaptive weight module learns the weights and fuses the three subspaces. The TWR-MCAE can suppress the low-rank characteristics of wall clutter and enhance the sparsity characteristics in human motion at the same time. It can be linked before the classification step to improve the feature extraction capability without adding other prior knowledge or recollecting more data. Experiments show that the proposed algorithm gets a better peak signal-to-noise ratio (PSNR), which increases the recognition accuracy and speeds up the training process of the back-end classifiers.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL