[论文解读] Learning from Natural Noise to Denoise Micro-Doppler Spectrogram

Chong Tang, Wenda Li+4 more|arXiv (Cornell University)|Feb 13, 2021

Anomaly Detection Techniques and Applications参考文献 31被引用 9

一句话总结

该论文提出了一种新颖的深度学习框架，通过利用生成对抗网络（GAN）建模真实世界噪声分布，实现对微多普勒频谱图（MDS）的去噪。该方法利用GAN学习自然噪声的复杂空间与时间相关性，再与模拟的干净MDS结合，用于训练卷积神经网络（CNN）去噪器。该方法在低数据量场景下显著优于传统的噪声模型（如AWGN和MIXM），在模拟和实测数据上均展现出更高的分类准确率。

ABSTRACT

Micro-Doppler analysis has become increasingly popular in recent years owning to the ability of the technique to enhance classification strategies. Applications include recognising everyday human activities, distinguishing drone from birds, and identifying different types of vehicles. However, noisy time-frequency spectrograms can significantly affect the performance of the classifier and must be tackled using appropriate denoising algorithms. In recent years, deep learning algorithms have spawned many deep neural network-based denoising algorithms. For these methods, noise modelling is the most important part and is used to assist in training. In this paper, we decompose the problem and propose a novel denoising scheme: first, a Generative Adversarial Network (GAN) is used to learn the noise distribution and correlation from the real-world environment; then, a simulator is used to generate clean Micro-Doppler spectrograms; finally, the generated noise and clean simulation data are combined as the training data to train a Convolutional Neural Network (CNN) denoiser. In experiments, we qualitatively and quantitatively analyzed this procedure on both simulation and measurement data. Besides, the idea of learning from natural noise can be applied well to other existing frameworks and demonstrate greater performance than other noise models.

研究动机与目标

• 解决因时频谱图噪声导致基于MDS的雷达感知性能下降的问题。
• 克服传统人工噪声模型（如AWGN）无法反映真实环境中空间与时间相关噪声的局限性。
• 开发一种数据高效型去噪框架，利用真实环境中的噪声分布以提升泛化能力。
• 证明从自然噪声中学习可提升分类器性能，尤其在训练数据稀缺时。
• 在模拟和实测MDS数据上验证所提方法的有效性。

提出的方法

• 在真实世界MDS数据上训练GAN，以学习实际环境中复杂的空间与时间相关噪声分布。
• 通过独立的模拟器生成干净的微多普勒频谱图，作为训练的真值标签。
• 将GAN生成的噪声与模拟的干净MDS结合，构建用于去噪网络训练的合成配对训练数据集。
• 使用卷积神经网络（CNN），特别是DnCNN架构，在该合成数据上进行训练，以学习从噪声MDS中恢复干净信号。
• 该框架可实现无限量的合成训练对数据增强，提升对真实世界噪声的鲁棒性。
• 通过下游任务的分类准确率评估方法性能，与使用AWGN和MIXM噪声模型的基线方法进行对比。

实验结果

研究问题

• RQ1 基于GAN的方法能否有效建模微多普勒频谱图中复杂的现实世界噪声分布？
• RQ2 在训练中使用自然建模的噪声是否能提升去噪性能，相比AWGN等人工噪声模型？
• RQ3 该框架在实测数据与模拟数据上的表现如何？
• RQ4 当训练数据集较小时，该框架能否保持高分类准确率？
• RQ5 在下游分类任务中，去噪后MDS的性能与CAE和UNet等最先进模型相比如何？

主要发现

• 所提方法采用基于GAN的自然噪声建模（MNM）在低信噪比（SNR）条件下，分类准确率显著高于使用AWGN或MIXM噪声的基线模型。
• 在实测谱图上，基于MNM的DnCNN去噪器表现最优，在25 dB SNR和0.6/0.4训练/测试数据划分下达到96.6%的分类准确率。
• 即使在低数据量场景（如0.6/0.4划分），MNM框架仍保持卓越性能，在15 dB SNR下达到94.4%的分类准确率，显著优于AWGN和MIXM基线。
• 该框架在不同噪声水平下表现出强鲁棒性，从-10 dB到25 dB SNR范围内准确率持续提升，证实其在多样化条件下的有效性。
• 在0.8/0.2数据划分下，MNM去噪器在10 dB SNR时达到97.0%的峰值分类准确率，较次优方法（UNet + MIXM）高出超过2.5个百分点。
• 结果表明，从真实噪声分布中学习可显著提升泛化能力与性能，尤其在训练数据有限时。