【论文笔记】SparseRadNet: Sparse Perception Neural Network on Subsampled Radar Data

原文链接：https://arxiv.org/abs/2406.10600

简介：本文引入自适应子采样方法和定制网络，利用稀疏性模式发掘雷达信号中的全局和局部依赖性。本文的子采样模块选择 RD谱中在下游任务贡献最大 像素 的子集。为提高子采样数据的特征提取，本文引入图神经网络，设计两分支主干分别提取局部和全局信息，并使用注意力融合模块组合两分支特征。实验表明，本文的SparseRadNet能在RADIal数据集上达到SotA分割和检测性能。

1. 引言

现有的基于原始雷达数据（如RAD张量、RD谱或ADC数据等）的方法多使用CNN，但大量像素仅含有噪声，CNN处理不够高效。

本文为每帧数据动态生成采样掩膜，对原始雷达数据进行子采样。同时，对子采样数据使用GNN，将子采样像素视为节点，根据特征空间中的距离建立动态边。此外，使用稀疏CNN作为主干的另一分支，与GNN分别提取局部和全局特征。

3. SparseRadNet结构

如图所示，SparseRadNet分为4部分：深度雷达子采样模块（从RD谱中选择重要部分）；带有注意力融合模块的两分支主干（捕捉邻域信息）；距离-角度解码器（将RD转化为RA视图）；两个输出头（用于目标检测和空空间分割）。

3.1 深度雷达子采样模块

本文提出深度雷达子采样（DRS）模块，以同时保留原始雷达数据的稀疏性和丰富的信息。

RD谱为${\mathbb{C}}^{H\times W\times N_{Rx}}$的复值向量，其中$N_{Rx}$为接收天线的数量，复值被分为实部和虚部，作为本文方法的输入$x\in {\mathbb{R}}^{H\times W\times 2N_{Rx}}$。令 A ∈ { 0 , 1 } H × W A\in\{0,1\}^{H\times W} A∈{ 0,1}H×W为\二值采样掩膜，可通过$y_{h,w,c}=A_{h,w}\cdot x_{h,w,c}$得$y\in {\mathbb{R}}^{H\times W\times 2N_{Rx}}$。预定义的选择元素数$M\ll N=H\times W$。本文使用CNN（参数为$\theta$）处理输入，并将输出视为未归一化的logit $Z_{\theta }(x)\in {\mathbb{R}}^{H\times W}$。

本文将问题视为从分类分布的采样。使用Gumbel-Softmax方法直接从未归一化的logit中采样$M$个像素，而非先将$Z_{\theta }(x)$通过softmax达到概率分布 A θ ( x ) A_\theta