論文の概要: A Universal Raw-IQ Radar Encoder for Cross-Sensor Human Sensing
- arxiv url: http://arxiv.org/abs/2611.04534v1
- Date: Tue, 03 Nov 2026 09:03:18 GMT
- ステータス: 情報取得中
- システム内更新日: 2026-11-04 17:26:34.263652
- Title: A Universal Raw-IQ Radar Encoder for Cross-Sensor Human Sensing
- Title（参考訳）: クロスセンサ・ヒューマンセンシングのためのユニバーサルRAW-IQレーダエンコーダ
- Abstract要約: 我々は、マイクロドップラー・スペクトログラムという信号処理の優位な選択が、転送の出発点として不十分であると主張している。
代わりに、クラッタ除去された生レーダ測定にラベルを付けずに、畳み込み型β-VAEを事前訓練する。
我々は、各ベンチマークでエンドツーエンドにトレーニングされた教師付きモデルと、10つの設定で事前訓練されたレーダー基礎モデルと比較する。
- 参考スコア（独自算出の注目度）: 5.198252703635293
- License:
- Abstract: Radar-based human sensing typically relies on end-to-end task-specific models trained on hand-chosen signal projections, which generalize poorly across unseen users, tasks, and hardware. We argue that the dominant signal processing choice, the micro-Doppler spectrogram, is a poor starting point for transfer because it keeps the Doppler axis, which carrier frequency rescales, and discards the angular axis, which carrier frequency leaves unchanged. We instead pretrain a convolutional beta-VAE without labels on clutter-removed raw radar measurements from four platforms spanning 60 and 77 GHz and 4 to 12 virtual antennas, aligned by a unified spectral interpolation grid. For every downstream benchmark the encoder stays frozen, and only a small supervised temporal classifier is trained on its embeddings. We compare against supervised models trained end to end on each benchmark and a pretrained radar foundation model across ten settings covering activity, gesture, sign-language, and gait recognition. When the test users and the radar are seen during training, our encoder is best on all five benchmarks. For users never seen in training, it leads on three of four benchmarks, by 4.8 to 23.2 points. On subject-disjoint gait recognition, it is best for each of the four held-out subjects and 8.3 points above the strongest baseline on average, even though its pretraining excluded every recording of this radar. Excluding the test radar from pretraining costs at most 5.3 points on any benchmark. Code is available at https://github.com/jonasmueler/UniversalRadarEncoder_WACV.
- Abstract（参考訳）: レーダーベースのヒューマンセンシングは、通常、手短信号のプロジェクションに基づいて訓練されたエンドツーエンドのタスク固有モデルに依存している。
我々は、キャリア周波数が再スケールするドップラー軸を保ち、キャリア周波数が変化しない角軸を捨てるため、支配的な信号処理選択であるmicro-Doppler Spectrogramは転送の出発点として不十分であると主張している。
その代わりに、60 GHzと77 GHzと4 から12 個の仮想アンテナからなる4つのプラットフォームから、スペクトル補間格子で整列された、クラッタ除去された生レーダ測定にラベルを付けずに、畳み込み型β-VAEを事前訓練する。
下流のベンチマークでは、エンコーダは凍結状態にあり、小さな監督された時間分類器だけが埋め込みで訓練される。
我々は、各ベンチマークでエンドツーエンドにトレーニングされた教師付きモデルと、アクティビティ、ジェスチャー、手話、歩行認識をカバーする10の設定で事前訓練されたレーダー基盤モデルと比較する。
トレーニング中にテストユーザとレーダーを見るとき、私たちのエンコーダは5つのベンチマークでベストです。
トレーニングで見たことのないユーザに対しては、4つのベンチマークのうち4.8から23.2ポイントの3つに導かれる。
被検者の歩行認識では、このレーダーのすべての記録を事前訓練が除外したにもかかわらず、4つの保持された被験者と8.3ポイントのそれぞれが平均で最強のベースラインを上回り、それぞれに最適である。
テストレーダを事前訓練コストから除いた場合、どのベンチマークでも少なくとも5.3ポイントである。
コードはhttps://github.com/jonasmueler/UniversalRadarEncoder_WACVで公開されている。
関連論文リスト
- RadarGSOcc: Doppler-Aware 3D Semantic Occupancy Prediction Using 4D Radar Tensor with Geometric-Semantic Feature Extraction [5.276232626689568]
3Dセマンティック占有予測は自動運転には不可欠であるが、低照度環境でカメラベースの手法は劣化し、LiDARベースの手法は悪天候に敏感である。
本稿では、4次元レーダーテンソルを直接処理する効率的なフレームワークであるRadarGSOccを提案する。
また,K-Radar 3DSemOccベンチマークも導入した。これは4次元レーダテンソルを用いた3次元セマンティック占有予測のための大規模なベンチマークである。
論文 参考訳（メタデータ） (2026-10-13T16:40:59Z) - STAR: Scene- and Task-Aware 4D Radar Preprocessing Towards End-to-End Cognitive Radar [5.582101184758528]
4D Radarは、環境認識、範囲、方位、標高、ドップラー測定のための重要なセンサーとして登場した。
本稿では,Scene- and Task-Aware Radar (STAR) プレプロセッサとエンドツーエンドのトレーニングフレームワークを提案する。
STARプリプロセッサはシーンコンテキストとダウンストリームタスクの目的を組み込んでタスク関連のRadarポイントを生成し、Radar表現を直接認識に最適化することができる。
論文 参考訳（メタデータ） (2026-09-21T06:06:33Z) - 4D Radar Gaussian Modeling and Scan Matching with RCS [80.74019565026542]
レーダークロスセクション(RCS)情報は、しばしば見落とされ、通常マッチングプロセスのモデリングやスキャンには使われない。
本稿では,RCSの物理的挙動をモデルに組み込むことにより,シーンの要約情報をさらに強化することを提案する。
論文 参考訳（メタデータ） (2026-04-16T10:58:29Z) - Radar-APLANC: Unsupervised Radar-based Heartbeat Sensing via Augmented Pseudo-Label and Noise Contrast [20.935264919712658]
レーダーは胸壁の微妙な振動を計測し、非接触型心拍検出を可能にする。
従来のレーダーを用いた心拍検出法はノイズによる性能劣化に直面している。
本稿では,Augmented Pseudo-Label and Noise Contrastを用いたレーダベース心拍センサのための教師なしフレームワークを提案する。
論文 参考訳（メタデータ） (2025-11-11T10:14:32Z) - Towards Foundational Models for Single-Chip Radar [49.896124982717716]
mmWaveレーダーは小型で安価で耐久性のあるセンサーで、天気や暗闇といった環境条件によらず機能する。
これは角分解能の低さ、特に自動車や屋内センサーの用途で一般的に使用される安価な単チップレーダーのコストが伴う。
我々は、4Dシングルチップレーダーの基本モデルを訓練し、3D占有率とセマンティックセマンティックセグメンテーションを、高解像度センサーでのみ可能な品質で予測できる。
論文 参考訳（メタデータ） (2025-09-15T22:06:17Z) - RobuRCDet: Enhancing Robustness of Radar-Camera Fusion in Bird's Eye View for 3D Object Detection [68.99784784185019]
暗い照明や悪天候はカメラの性能を低下させる。
レーダーは騒音と位置のあいまいさに悩まされる。
本稿では,BEVの頑健な物体検出モデルであるRobuRCDetを提案する。
論文 参考訳（メタデータ） (2025-02-18T17:17:38Z) - LEROjD: Lidar Extended Radar-Only Object Detection [0.22870279047711525]
3+1Dイメージングレーダーセンサーは、ライダーに代わるコスト効率が高く、堅牢な代替手段を提供する。
ライダーは推論中に使用するべきではないが、レーダーのみの物体検出器の訓練を支援することができる。
我々は、ライダーからレーダードメインとレーダー専用物体検出器に知識を伝達する2つの戦略を探求する。
論文 参考訳（メタデータ） (2024-09-09T12:43:25Z) - Radarize: Enhancing Radar SLAM with Generalizable Doppler-Based Odometry [9.420543997290126]
Radarizeは、コモディティ単一チップmmWaveレーダーのみを使用する、自己完結型SLAMパイプラインである。
本手法は,最先端のレーダおよびレーダ慣性アプローチを計測値で約5倍,エンドツーエンドのSLAMで約8倍に向上する。
論文 参考訳（メタデータ） (2023-11-19T07:47:11Z) - Echoes Beyond Points: Unleashing the Power of Raw Radar Data in
Multi-modality Fusion [74.84019379368807]
本稿では,既存のレーダ信号処理パイプラインをスキップするEchoFusionという新しい手法を提案する。
具体的には、まずBird's Eye View (BEV)クエリを生成し、次にレーダーから他のセンサーとフューズに対応するスペクトル特徴を取ります。
論文 参考訳（メタデータ） (2023-07-31T09:53:50Z) - Semantic Segmentation of Radar Detections using Convolutions on Point
Clouds [59.45414406974091]
本稿では,レーダ検出を点雲に展開する深層学習手法を提案する。
このアルゴリズムは、距離依存クラスタリングと入力点雲の事前処理により、レーダ固有の特性に適応する。
我々のネットワークは、レーダポイント雲のセマンティックセグメンテーションのタスクにおいて、PointNet++に基づく最先端のアプローチよりも優れています。
論文 参考訳（メタデータ） (2023-05-22T07:09:35Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。