| 摘 要： | 在基于毫米波雷达的手势分类任务中，应用深度学习技术可以显著提高准确率。然而，深度学习技术对数据量的依赖性很高，当训练样本数据稀缺时容易出现过拟合问题。由于不同的毫米波雷达参数差异较大、采集数据耗时费力，基于毫米波雷达的手势数据量往往非常有限。为了解决数据量稀缺这一问题，本文提出了一种融入注意力模块的距离多普勒图自编码（Range-Doppler Image AutoEncoder with Attention Module, RDI-AEAM）数据增强方法，旨在增强毫米波雷达手势数据的RDI表征。该方法针对RDI缺乏语义信息、难以进行标注以及特征不明显的特点，构建了一个融入注意力模块的自编码网络。首先，利用自编码器进行特征提取和数据压缩，学习输入数据的分布并提取有用特征。其次，利用注意力模块专注学习通道和空间维度的特征，解决特征不明显问题，使模型能够更加集中关注重要特征。训练过程中，预定义了原始数据标签，使用最小均方误差损失函数衡量生成数据的质量，达到设定阈值时将生成数据与预定义标签相关联，而无须额外后期标注。实验先选择100%训练集进行增强，相比仅使用原始训练集进行训练的结果，数据增...
|
