雷达关注：通过整合视觉注意力和自我注意力实现高效基于雷达的人类活动识别

《IEEE Transactions on Networking》：RadarAttn: Efficient Radar-Based Human Activity Recognition by Integrating Visual Attention and Self-Attention

雷达人体活动识别通过视觉注意力机制与自注意力机制结合，在提升准确率的同时降低计算量，实验验证其优于现有方法。

　　

摘要：

基于雷达的人类活动识别（HAR）已成为从智能家居到医疗监控等多种应用中的关键组成部分。雷达具有多个优势：检测范围广、具备一定的穿透能力、非接触式检测方式、不受光线影响以及能够保护隐私。然而，由于雷达信号的复杂性以及人类活动的多样性，如何在保持高效的同时实现高精度仍是一个重大挑战。目前，大多数研究工作都集中在提升系统性能上，而这往往以牺牲计算效率为代价。在本文中，我们提出了一种名为RadarAttn的新方法，该方法结合了视觉注意力机制和自注意力机制来提升HAR系统的性能和效率。RadarAttn的架构能够减少浮点运算（FLOPs）和参数数量，同时提高识别精度。该方法利用视觉注意力机制聚焦雷达频谱图中最相关的区域；同时，自注意力机制用于捕捉雷达信号中的长距离关联信息，使模型能够学习与不同活动相关的复杂模式。在基准雷达HAR数据集上的实验结果表明，RadarAttn在精度和计算效率方面均显著优于现有方法。我们的方法为开发适用于实际应用的、具有鲁棒性和可扩展性的基于雷达的HAR系统提供了有益的方向。