ICASSP 2023 | MCROOD: MULTI-CLASS RADAR OUT-OF-DISTRIBUTION DETECTION

原文链接：https://mp.weixin.qq.com/s?__biz=Mzg4MjgxMjgyMg==&mid=2247486484&idx=1&sn=d43f92ca0230753e77f54557054653d6&chksm=cf51beedf82637fb27d4cbb9279f273298779dabe25f7775cb93469787bcc12c1b6b2caec979#rd

ICASSP 2023 | MCROOD: MULTI-CLASS RADAR OUT-OF-DISTRIBUTION DETECTION

无线感知论文阅读笔记：ICASSP 2023, MCROOD: MULTI-CLASS RADAR OUT-OF-DISTRIBUTION DETECTION

Abstract

0.25 page

• 目标

  • 针对雷达range-doppler images (RDI) 的OOD检测

• 贡献

  • 提出了一种基于reconstruction的多类OOD检测器,用于毫米波雷达图像分类

    目标是将除坐着、站立或行走的人之外的任何运动目标识别为OOD

  • 提出了呼吸检测器(RESPD)来检测人体轻微运动,如呼吸

    以简化OOD检测难度

• 实验

  • 在 60GHz短程FMCW雷达 采集的数据集上对坐着、站立、行走三个类别进行OOD检测,获得了97.45%、92.13%、96.58%的AUROC
  • 性能优于SOTA, 且快24倍

1 Introduction

0.75 page

• 分布外检测 (OOD) 在雷达感知中也很重要
• 本文：使用60GHz雷达
  • 目标：将除坐着、站立或行走的人之外的任何移动物体分类为
• 贡献

  • 提出MCROOD架构进行迁移检测

    ✅ 包含自动编码器和多个解码器

    ✅ 使用多阈值算法

    

  • 提出RESPD预处理技术 ,使用多个连续帧捕捉呼吸等微动,简化检测

  • 在数据集上,对坐、站、行三类,AUROC分别达到97.45%、92.13%、96.58%

  • MCROOD在指标和速度上优于SOTA方法，消融实验表明RESPD的重要性

2 Related Work

0.5 page

• OOD检测方法主要有**事后方法(Post-hoc)** 、距离基方法(Distance-based) 和 OE (Outlier exposure) 方法
  • 事后方法适用于任何预训练模型,如MSP、ODIN等
  • 距离基方法以样本距离判定OOD,如马氏距离
  • OE方法在训练时加入OOD样本
• 针对雷达的数据 ,OOD检测研究还比较有限
  • 现有研究主要在合成数据上
  • 本文在真实雷达数据上进行OOD检测
  • $\Rightarrow$ 使用自动编码器进行重构,判定重构误差大的为OOD

3 Radar Configuration & Pre0processing

0.3 page

• 硬件

  • Infineon BGT60TR13C
  • 60GHz L形FMCW雷达

• 配置

  

• preprocessing 流程

  • 1 距离FFT
  • 2 移动目标识别(MTI)处理以去除静态目标
  • 3 多普勒FFT
  • 4 呼吸检测器(RESPD): 应用于RDI, 50帧(2.5s)累积

4 Problem Statement & MCROOD

1 page

• MCROOD用于检测OOD样本

  • 鲁棒性好、效果好：

    

4.1 Architecture and Training

• 提出MCROOD架构进行OOD检测
  • 使用自动编码器和多个解码器结构
  • 每个解码器对应一个内部类
  • 使用MSE作为损失函数
• 训练
  • 编码器同时encode多个class
  • 每个解码器只解码自己负责的类

4.2 OOD Detection

• 推理
  • 输入编码器,输出每个解码器
  • 比较输入和输出的MSE
  • 根据MSE阈值判定OOD

5 Experiment

1 page

• 实验平台
  • NVIDIA GeForce RTX 3070 GPU
  • Intel Core i7-11800H CPU
  • 32GB DDR4 RAM

5.1. Dataset and Evaluation Metr

• Infineon BGT60TR13C 60GHz FMCW雷达
• 收集环境：
  • 16个房间(10个用于训练,6个用于推理)
• 数据集
  • 分布内样本和OOD
  • 分布内样本：行走、坐着和站立
  • OOD样本：电扇、遥控小车、摇晃的植物、窗帘、洗衣服和吸尘器
  • 111416帧内部样本
  • 推理时: 使用47210帧分布内样本和16050帧OOD
  • 距离范围：1米到5米

5.2 Ablation

• 验证RESPD的作用

  

Conclusion

0.2 page

• 提出了MCROOD和RESPD

  • MCROOD：采用新颖的一编码器多解码器结构

    因其模块化特性,可以适用于任意数量的内部类别

  • RESPD：简单有效的preprocessing method,目标是检测呼吸等微小人体运动

• 在毫米波雷达数据上实现了快速、准确的OOD检测

  • 对坐着、站立、行走三个类别进行OOD检测,获得了97.45%、92.13%、96.58%的AUROC