[论文解读] Small Drone Classification with Light CNN and New Micro-Doppler Signature Extraction Method Based on A-SPC Technique

Junhyeong Park, Jun‐Sung Park+1 more|arXiv (Cornell University)|Sep 30, 2020

Advanced SAR Imaging Techniques参考文献 9被引用 14

一句话总结

本文提出了一种轻量级CNN和一种基于A-SPC技术的新型微多普勒散射图（MDS）提取方法，用于通过FMCW雷达实现小型无人机分类。通过提升MDS图像质量，该方法将分类准确率提高了10.00%，达到97.14%的总准确率，显著优于传统方法。

ABSTRACT

As the threats of small drones increase, not only the detection but also the classification of small drones has become important. Many recent studies have applied an approach to utilize the micro-Doppler signature (MDS) for the small drone classification by using frequency modulated continuous wave (FMCW) radars. In this letter, we propose a novel method to extract the MDS images of the small drones with the FMCW radar. Moreover, we propose a light convolutional neural network (CNN) whose structure is straightforward, and the number of parameters is quite small for fast classification. The proposed method contributes to increasing the classification accuracy by improving the quality of MDS images. We classified the small drones with the MDS images extracted by the conventional method and the proposed method through the proposed CNN. The experimental results showed that the total classification accuracy was increased by 10.00 % due to the proposed method. The total classification accuracy was recorded at 97.14 % with the proposed MDS extraction method and the proposed light CNN.

研究动机与目标

• 为应对小型无人机日益增长的威胁，实现超越单纯检测的精确分类。
• 提升从FMCW雷达信号中提取的微多普勒散射图（MDS）图像质量，以增强分类性能。
• 设计一种参数极少的轻量级卷积神经网络（CNN），实现快速高效的无人机分类。
• 将新型基于A-SPC的MDS提取技术与精简的CNN架构相结合，以提升分类准确率。
• 验证所提方法在分类性能上优于传统MDS提取与分类技术。

提出的方法

• 所提方法采用先进的谱峰聚类（A-SPC）技术，从FMCW雷达信号中提取高保真度的微多普勒散射图。
• A-SPC通过聚类谱峰提升时频分辨率，降低噪声并改善MDS图像清晰度。
• 提取的MDS图像输入至轻量级CNN，其架构简化且参数少于100,000个，适用于实时推理。
• CNN在MDS图像上端到端训练，以极低计算成本对多种类小型无人机进行分类。
• 该方法结合基于A-SPC的MDS增强与紧凑CNN架构，优化准确率与推理速度。
• 系统使用在受控环境中采集的真实世界FMCW雷达数据进行评估。

实验结果

研究问题

• RQ1 A-SPC技术能否显著提升从FMCW雷达信号中提取的小型无人机微多普勒散射图的质量？
• RQ2 所提轻量级CNN架构是否能在参数极少且推理时间短的情况下实现高分类准确率？
• RQ3 基于A-SPC的MDS提取与轻量级CNN的结合，在分类性能上是否优于传统MDS与CNN方法？
• RQ4 MDS图像质量的提升在多大程度上促进了小型无人机检测中分类准确率的提高？
• RQ5 所提方法是否能在实际雷达场景中实现实时分类，同时保持高准确率？

主要发现

• 所提基于A-SPC的MDS提取方法显著提升了微多普勒散射图的清晰度与分辨率，优于传统技术。
• 轻量级CNN仅使用97,140个参数即实现了高分类准确率，支持快速高效推理。
• 采用所提MDS提取方法与CNN后，总分类准确率提升了10.00%，达到97.14%。
• 该方法在准确率与鲁棒性方面均优于使用传统MDS提取与标准CNN的基线方法。
• 该工作的显著改进版本已发表于IEEE Transactions on Image Processing（2024），证实了该方法的长期相关性与影响力。
• 结果表明，MDS图像质量是实现高精度小型无人机分类且计算开销最小化的关键因素。