基于不一致性引导的选择性时间细化在毫米波雷达人体-背景识别中的增量效益评估

《Electronics》：Uncertainty-Guided Selective Temporal Refinement for mmWave Radar Human–Background Recognition

　　本研究评估了在毫米波雷达人体-背景识别中，选择性的时间细化在静态随机森林（RF）分类和因果多数-3稳定化之外带来的增量效益。静态RF使用41维当前帧特征及其固有的树概率不一致性来进行路由，无需额外的训练路由器。当不一致性超过开发阶段选择的阈值且连续三帧（K3）历史有效时，系统调用时间RF，其54维输入由41维当前帧特征和13维时间扩展组成；否则，保留静态预测。所有路径均使用相同的因果多数-3。在八次独立测试采集（共16,742帧）中，静态、选择性和始终性方案分别产生86、72和71个最终误差。相对于静态方案，选择性方案将背景误报减少了14个，残余误差减少了16.28%，同时保留了两个人体漏检。选择性方案调用时间RF共479次（占所有帧的2.8611%），而始终性方案调用15,758次（占94.1226%），额外时间调用减少了96.96%。在主机推理测试中，融合选择性和优化始终性方案的平均延迟分别为10.642毫秒/帧和11.681毫秒/帧，降低了约8.9%。在另一个物流站点的两次独立采集中，选择性方案将最终误差从66减少到56。这些结果表明，在评估条件下，不一致性引导的选择性时间细化在静态分类和因果输出稳定化之外提供了增量改进，且额外时间调用频率较低。