基于改进PointNet++模型的毫米波点云语义分割

毫米波成像技术在安检领域得到了普遍应用,研究基于毫米波点云图像的语义分割技术具有重要的意义。PointNet++采用了与任务无关的最远点采样(FPS)来逐步下采样点云,导致毫米波点云中为数不多的前景点信息丢失。因此,本文提出了一种基于自注意力机制的实例感知下采样点云语义分割网络。具体来说,本文结合自注意力机制实现面向任务的下采样策略来保留前景点,防止前景点信息的丢失。最后,由于毫米波点云图像中人体点云数量与前景点云数量极不平衡,改进使用Focal Loss作为语义分割损失函数以提升性能。实验结果表明,本文提出的语义分割模型相对于基准模型PointNet++在平均交并比(mIoU)方面有6.19%的提升,同时准确率有5.57%的提升。

基于U-Net网络的二维MIMO阵型稀疏成像

传统雷达成像算法在处理不规则阵型的MIMO雷达成像时存在着诸多挑战。这些传统算法通常计算复杂且耗时长,难以满足MIMO雷达对实时成像的要求。因此,迫切需要一种适用于任意阵型且具备实时成像能力的新型成像算法。考虑到神经网络具有自学习、自组织和自适应等特点,并已广泛应用于雷达成像领域,因此提出了一种基于神经网络的二维MIMO不规则阵型稀疏成像算法。神经网络的训练通常需要大量的数据集,而构建回波数据集的过程耗时较长。为了解决这一问题,选择了U-Net网络结构,该结构在少量数据集下也能进行有效训练。我们将神经网络算法得到的成像结果与传统的BP算法进行了对比。结果表明,在相同数据集的条件下,神经网络算法表现出更优异的成像性能和更短的成像时间,从而实现了二维MIMO不规则阵型的高分辨率实时成像。