基于物理光学仿真与YOLOX-Tiny的D波段MIMO雷达图像目标检测泛化性评估

《Sensors》：Multimodal Performance Prediction in Online Learning Using Bi-LSTM and Mixture of Experts

　　

代表性标记雷达数据难以获取覆盖目标与场景变化所需的自动检测数据集。基于物理学的仿真提供了一种替代方案，但其价值取决于基于仿真响应训练的检测器能否泛化到训练目标之外。本研究利用D波段多输入多输出（MIMO）雷达的采集感知电磁仿真来检验这一问题。在图像形成之前生成复杂的多静态响应，仿真与实测数据经历相同的相干重建和检测器输入准备流程。开发过程中未使用任何实测目标响应。研究人员比较了七种卷积神经网络（CNN）检测器，最终基于检测性能和推理成本选择了YOLOX-Tiny。在七个几何不重叠的数据划分中，YOLOX-Tiny在单目标场景下实现了平均Fβ分数0.89和平均精度均值（mAP）0.88，在多目标场景下分别为0.83和0.79。进一步在14个独立联合仿真的多目标场景以及来自参考D波段雷达和另外两个系统的测量数据上检验了泛化能力。实测数据提供了迁移的定性证据，并揭示了高分辨率响应中的副本相关虚警和局部类别歧义。较低分辨率的测量保留了正确检测的目标，同时出现了分配给其他类别的额外虚警。这些发现凸显了对更具代表性的合成雷达响应以及将图像检测结果与物理目标关联的需求。

基于物理光学仿真与YOLOX-Tiny的D波段MIMO雷达图像目标检测泛化性研究解读

研究背景与问题

高分辨率近场毫米波与亚太赫兹雷达成像在安检、工业检测等领域具有重要应用价值。然而，基于学习的雷达图像解译高度依赖大量标注数据，而针对不同目标几何形状、姿态和场景配置进行实测数据采集成本极高。基于物理学的电磁仿真为此提供了可行的替代方案，但关键在于：基于仿真数据训练的检测器，其学到的特征能否有效泛化到未见过的目标几何形状以及真实的实测环境？现有研究虽然探索了仿真到实测的迁移，但在系统性评估跨几何形状泛化和跨雷达系统迁移方面仍存在不足。

研究内容与结论

本研究旨在回答两个核心问题：第一，基于仿真数据训练的检测器能否泛化到开发阶段未包含的刀具和手枪几何形状；第二，这些检测器能否从仿真域迁移到实测雷达数据，包括同一雷达系统和不同配置的系统。研究人员通过构建一套完整的仿真-重建-检测流水线，系统性地评估了多种检测架构，最终验证了基于物理光学（Physical Optics, PO）仿真的训练数据在特定条件下具备良好的泛化能力，但也揭示了雷达图像形成过程引入的副本（replica）响应等特有挑战。

关键技术方法

1. 1.
   电磁仿真方法：采用物理光学（PO）近似对目标进行电磁建模，目标被建模为理想电导体（Perfectly Electric Conductor, PEC）表面并使用三角形网格离散化，最大边长约1.12 mm。仿真生成复杂多静态频域响应，保留近场发射-面元-接收传播路径的相位信息，但不包括多次散射和边缘绕射效应。
2. 2.
   相干近场成像：所有仿真和实测数据均经过相同的相干近场双基地后向投影（backprojection）重建处理，并采用由粗到精的局部重建策略降低计算成本。粗网格全平面重建后通过Otsu阈值法确定感兴趣区域（Region of Interest, ROI），再在ROI内进行精细网格重建。
3. 3.
   检测器开发与训练：研究比较了YOLOX-Tiny/S、YOLOv4-Tiny、SSD-MobileNet/ResNet50、Faster R-CNN-ResNet18/MobileNet共七种检测器。所有检测器使用统一的224×224像素输入表示，峰值归一化幅度图像经对数映射和动态范围裁剪后转换为8位灰度图。训练过程中应用在线图像域增强，包括旋转、反射、缩放和幅度缩放，并引入基于实测背景统计特性的Weibull或Gamma分布噪声模型进行背景增强。

研究结果

6.1 几何不重叠基准测试与架构选择

通过七折几何不重叠交叉验证，YOLOX-Tiny在单目标和多目标评估中均获得最高平均F_β分数和平均精度均值（mAP），分别达到0.89/0.88（单目标）和0.83/0.79（多目标）。相比之下，YOLOv4-Tiny的单目标表现接近但多目标F_β从0.87降至0.73，表明孤立目标上的性能不一定能推广到多目标场景。综合考虑检测性能和推理时间，研究人员选定YOLOX-Tiny作为最终模型。

6.2 独立多目标评估

最终YOLOX-Tiny在14个独立联合仿真的多目标场景上实现全三类平均F_β=0.83、mAP=0.79。方形金属板得分最高（F_β=0.94，AP=0.97），而刀具和手枪的宏平均降至F_β=0.77、mAP=0.71。诊断场景分析揭示了两类错误来源：一是训练集外物体（如矩形干扰物）被错误分类为已知类别；二是雷达图像形成产生的副本响应被误判为目标。

6.3 实测雷达系统评估

6.3.1 参考D波段雷达：在两把刀场景中，五处检测全部归类为刀具，但其中一些对应的是副本响应而非物理目标。在手枪场景中，物理手枪的丰富内部结构导致三处局部特征被误判为刀具，展示了同一目标的多个散射特征可触发不同类别的检测。

6.3.2 新一代D波段阵列：由于阵列优化降低了近距工作时的副瓣水平，两把刀场景中未出现副本相关虚警，两处检测准确对应物理刀具。但手枪场景中仍有三个局部散射特征被误判为刀具，且其置信度高于正确的手枪检测。

6.3.3 低分辨率K波段系统：尽管频率和分辨率差异显著，两把刀场景中物理刀具仍被正确检测并分类。但同时出现了一个被误判为方形板的孤立响应和一个被误判为手枪的刀具响应。手枪场景则只有一处正确检测，无额外虚警。

讨论与结论

本研究表明，基于PO近似的合成电磁响应可以为超出具体训练几何形状的目标提供有用的训练数据。YOLOX-Tiny在几何不重叠评估中展现了良好的泛化能力，实测数据也表明部分学习特征在不同采集条件下仍具识别性。然而，研究发现检测到目标类响应并不等同于识别出独立的物理对象：雷达图像的副本结构可触发无对应物理目标的检测，单一目标的不同散射特征也可能被分类为不同物体。这些发现强调了发展更逼真的合成雷达响应以及建立检测与物理目标之间可靠关联方法的必要性。未来工作需要引入类别平衡训练、更多样的目标几何和材料以及更全面的散射机制，以实现从特征识别到物理目标确认的跨越。