GAN在雷达信号处理中的使用

序言

最近发现GAN在雷达信号处理，尤其是基于微多普勒的识别方面，有多篇论文的研究。在研读论文的过程中，记录下自己的想法。

正文

GENERATIVE ADVERSARIAL NETWORKS TO AUGMENT MICRO-DOPPLER SIGNATURES FOR THE CLASSIFICATION OF HUMAN ACTIVITY

本文主要思想是利用GAN来扩展数据，提高基于微多普勒人体动作检测的精度。对于小数据集识别问题，目前论文中看到的方法大致有三类：
（1）计算机数据仿真，扩展数据集大小。主要存在问题就是，需要对该领域知识很丰富，另外仿建模的精度，也决定了识别的精度。
（2）迁移学习，利用已有的网络提取特征。主要难点就是寻找一个方便迁移的、已有的网络（个人感觉）。
（3）利用GAN扩展数据集。不需要对该领域有丰富的先验知识，让网络自己学习其中的模式，代替人工学习。

这篇论文写得比较粗糙，详细内容是：对七种人体动作进行识别，每个动作对应一个GAN；对于每一个动作，使用不同数目的样本训练GAN。得出的结论就是：使用训练样本数目越多，扩展出来的数据越真实，识别精度越高。（这是必然的吧）。
我觉得缺少工作内容：
（1）直接用原始数据训练CNN或者其他分类网络，得出一个识别精度$Ac{c}_1$ ;
（2）利用生成数据+原始数据，训练CNN，得出识别精度$Ac{c}_2$
（3）只用生成数据训练CNN，得出识别精度$Ac{c}_3$
在没有具体实现这个过程之前，我觉得应该有$Ac{c}_2>Ac{c}_3>Ac{c}_1$
而且在GAN的训练过程中，如何确定达到最佳“造假”状态？这个我还没有想明白。如果是对于真实图片造假的话，可以通过人眼区分图片是否逼真，但是多普勒谱图的话，应该需要定义一个准则来判断。这部分疑问应该需要查阅GAN的相关资料解决。

Micro-Doppler Spectrogram Denoising Based on Generative Adversarial Network

本文利用GAN对微多普勒仿真和实测时频图进行去噪。 传统去噪需要估计噪声功率，普适性较低。本文提出的方法，无需知道噪声功率。

但是如果是用这个机构的话，为啥不直接用denoise autoencoder？网络结构更简单。或者说文中的GAN的G部分，用的就是DAE，然后通过一个D来判别？D直接换成损失MSE不是更简单？

GAN-based Synthetic Radar Micro-Doppler Augmentations for Improved Human Activity Recognition

写的比较好的一篇文章。分别计算了原始数据和生成数据训练网络的识别精度。分析混淆矩阵。可以继续做下去的就是如何改变GAN网络，进一步提高识别精度。

The average test accuracies for DCNN and ACGAN-DCNN were found to be 79.3% and 82.56%, respectively.

Unsupervised Learning Using Generative Adversarial Networks on micro-Doppler spectrograms

本文利用一个GAN生成多类人体姿态数据，然后通过AAE来研究每类生成数据与latent variable之间的映射关系。