• 主题
高级搜索  >
历史搜索 清空历史
首页> 外文期刊>IEEE Geoscience and Remote Sensing Letters >Human Detection and Activity Classification Based on Micro-Doppler Signatures Using Deep Convolutional Neural Networks
【24h】

Human Detection and Activity Classification Based on Micro-Doppler Signatures Using Deep Convolutional Neural Networks

机译：深度卷积神经网络的基于微多普勒签名的人体检测和活动分类

获取原文
获取原文并翻译 | 示例
           
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

We propose the use of deep convolutional neural networks (DCNNs) for human detection and activity classification based on Doppler radar. Previously, proposed schemes for these problems remained in the conventional supervised learning paradigm that relies on the design of handcrafted features. Whereas these schemes attained high accuracy, the requirement for domain knowledge of each problem limits the scalability of the proposed schemes. In this letter, we present an alternative deep learning approach. We apply the DCNN, one of the most successful deep learning algorithms, directly to a raw micro-Doppler spectrogram for both human detection and activity classification problem. The DCNN can jointly learn the necessary features and classification boundaries using the measured data without employing any explicit features on the micro-Doppler signals. We show that the DCNN can achieve accuracy results of 97.6% for human detection and 90.9% for human activity classification.
机译：我们建议使用深度卷积神经网络（DCNN）进行基于多普勒雷达的人体检测和活动分类。以前，针对这些问题的建议方案仍然保留在传统的监督学习范式中，该范式依赖于手工功能的设计。尽管这些方案具有很高的准确性，但是对每个问题的领域知识的要求限制了所提出方案的可扩展性。在这封信中，我们提出了另一种深度学习方法。我们将DCNN（最成功的深度学习算法之一）直接应用于原始的多普勒频谱图，以解决人类检测和活动分类问题。 DCNN可以使用测量数据共同学习必要的特征和分类边界，而无需在微多普勒信号上采用任何明确的特征。我们表明，DCNN可以实现99.7％的人类检测精度和90.9％的人类活动分类精度。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号