《Sensors》：Physics-Based Synthetic Training for Automatic Target Detection in Radar Imaging
编辑推荐：
具有代表性的标记雷达数据在目标与场景变化范围内难以获取，而此类变化是自动检测所需要的。基于物理的仿真提供了一种替代方案，但其价值取决于在仿真响应上训练的检测器能否泛化到训练目标之外。本工作利用针对D波段多输入多输出（MIMO）雷达的采集感知电磁仿真来考察这一问
具有代表性的标记雷达数据在目标与场景变化范围内难以获取，而此类变化是自动检测所需要的。基于物理的仿真提供了一种替代方案，但其价值取决于在仿真响应上训练的检测器能否泛化到训练目标之外。本工作利用针对D波段多输入多输出（MIMO）雷达的采集感知电磁仿真来考察这一问题。复杂多基地响应在图像形成之前生成，仿真数据与实测数据经过相同的相干重建与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。比较了七种卷积神经网络（CNN）检测器，基于检测性能与推理成本选择YOLOX-Tiny。在七个几何不相交折（geometry-disjoint folds）上，YOLOX-Tiny在单目标场景中达到平均 和 ，在多目标场景中达到 和 。泛化性进一步在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进行考察。测量数据提供了迁移的定性证据，并揭示了高分辨率响应中与复制品（replica）相关的虚警和局部类别模糊性。较低分辨率的测量数据保留了正确检测的目标，同时伴随被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与物理目标相关联的需求。
研究背景方面，高分辨率近场毫米波与亚太赫兹雷达成像为安全检查、工业检测和隐蔽目标探测提供了非电离传感能力。基于学习的解译需要具有代表性的标记数据，但跨目标几何、姿态和场景配置获取测量数据成本高昂。基于物理的仿真提供了一种替代方案，其用于检测器训练的有效性取决于所学特征能否在开发阶段所表示的目标模型和采集条件之外保持信息量。基于学习的检测、定位与识别已在实测毫米波和亚太赫兹雷达图像上得到验证，基于仿真的训练也已在利用全波电磁（EM）模型的隐蔽目标分割和利用基于电磁散射图像的YOLO检测中得到研究。仿真到实测迁移的研究在任务和实测信息使用方面存在差异。相干雷达图像取决于目标散射以及散射场的采样和重建方式，频率采样、收发几何和孔径范围塑造了呈现给检测器的响应。本研究考察两个不同问题：对未见目标几何的泛化以及对实测雷达数据的迁移。研究人员利用文献中描述的物理光学（PO）仿真器，采用实验性D波段MIMO雷达的频率采样、阵列几何和机械扫描生成复杂多基地响应。仿真响应与校准测量经过相同的相干近场重建和检测器输入准备，重建使用各雷达的采集几何。用于检测器开发的所有目标响应均针对参考D波段配置进行仿真，实测目标响应保留用于评估，而从实测背景导出的类别无关统计量支持背景增强。评估针对三个目标：评估对模型开发中排除的刀具和手枪几何的泛化；量化最终模型在独立联合仿真多目标场景上的性能；在不进行检测器适配的情况下考察来自参考D波段雷达、后一代D波段阵列和较低分辨率K波段系统的测量数据的定性迁移与失效模式。测量案例提供迁移的诊断性证据，而非跨系统性能的统计评估。研究结论表明，合成电磁响应可以提供超出用于生成它们的特定目标几何的有用训练数据。仿真评估在建模的D波段配置内支持这一发现，而来自三个雷达系统的测量表明某些学习特征在不同采集条件下仍可识别。然而，这些测量也揭示出检测到类目标响应并不总是意味着识别出独立的物理目标。下一个挑战是从识别雷达图像特征转向可靠地识别物理目标，这需要更具代表性的电磁仿真以及将检测与物理对象相关联的方法，并需要更广泛的实验验证以确立跨雷达系统的泛化程度。
研究人员开展研究用到的主要关键技术方法包括：基于物理光学（PO）的电磁仿真器生成复杂多基地频率响应，目标建模为理想电导体（PEC）表面并三角网格离散化；D波段MIMO雷达采集系统采用线性调频连续波（LFMCW）波形、稀疏线性MIMO阵列与机械合成垂直孔径；相干近场双基地反投影（backprojection）图像形成与由粗到精的局部重建及基于Otsu准则的感兴趣区域（ROI）选择；七种CNN检测器架构的比较与训练协议；以及几何不相交折评估协议与图像域变换测试。样本队列来源为参考D波段雷达、后一代D波段阵列和K波段系统的实测数据，以及PO仿真的合成数据集。
研究结果方面，在几何不相交基准与架构选择中，最强的单阶段检测器之间单目标性能相对接近，YOLOX-Tiny获得最高均值（ 和 ），七折样本标准差分别为0.056和0.064。架构差异在多目标评估中更为明显，YOLOX-Tiny同样获得最高均值（ , ），而若干在孤立目标上表现相似的架构在联合重建场景中退化更明显，YOLOv4-Tiny的多目标 从 降至 。推理时间方面SSD-ResNet50最快为 ，YOLOX-Tiny每输入需 。综合考虑几何不相交单目标性能、多目标性能和推理时间，选择YOLOX-Tiny作为最终模型。在独立多目标评估中，最终YOLOX-Tiny检测器在14个独立多目标场景上三类别平均达到 和 。方形板获得更高检测分数（ = 0.94，AP = 0.97）高于刀具和手枪；当宏平均限于这两类时， 从0.83降至0.77，mAP从0.79降至0.71。通过含一个手枪、一个刀具、两个方形板和两个训练标签集外矩形金属干扰物的诊断联合仿真场景，YOLOX-Tiny正确局部化和分类所有四个标记目标，但同一场景也揭示三个虚警，源于训练标签集外物理对象的响应和雷达图像形成引入的复制品两个不同机制。在实测雷达系统评估中，参考D波段测量提供采集匹配案例，双刀场景的五个检测均分配给刀具类，但并非与物理目标一一对应，部分由附近复制品响应触发；手枪场景中检测1包围雷达复制品，检测2覆盖物理手枪主响应，而更丰富响应内三个细长区域触发均分配给刀具类的检测3–5。后一代D波段阵列评估中，双刀场景两个检测均分配给刀具类并与两个主目标响应对齐，未产生附近复制品结构的额外检测；手枪场景中检测1覆盖物理手枪并分配给手枪类，检测2–4标记为刀具但落在同一手枪的详细响应内。较低分辨率K波段系统评估中，双刀场景检测1和2对应两个物理刀具并分配给刀具类，但检测3将小孤立响应标记为方形板，检测4将与物理刀具相关的细长响应标记为手枪；手枪场景中检测1覆盖物理手枪、分配正确类别且是唯一超阈值检测。
讨论部分总结如下：几何不相交基准支持在建模的D波段配置内对未见刀具和手枪几何的泛化，但七折训练集重叠且单一训练种子不能确立统计优越性，每测试图像216个图像域变体也不代表额外独立电磁采集。实测结果补充了以往仿真到实测迁移研究，说明雷达图像形成如何影响检测器输出：复制品可在无对应物理对象时触发检测，而单一目标内不同散射特征可被分类为独立对象；由于同一目标不同散射特征相关的检测不一定重叠，非最大抑制（NMS）本身无法可靠地将它们关联到单一物理对象，目标级关联有助于解决这一局限。K波段测量保留物理目标的正确检测，但也产生分配给其他类别的额外虚警，由于频率、带宽和孔径几何同时变化，分辨率对这些误差的贡献无法分离。对于本研究所考虑的电大尺寸、以平面为主的金属目标，PO近似提供了物理上有据且计算高效的合成雷达响应生成方法。单目标子集类别不平衡，包含215个刀具、77个手枪和91个方形板图像，未应用类别加权或类别平衡采样。在几何不相交基准中，代表性较少的手枪类在七个评估架构上单目标和多目标场景中均获得高于刀具类的平均 和AP；而单独训练的最终检测器在独立多目标评估中手枪性能略低于刀具。未来工作可考察类别平衡训练并纳入目标几何、材料和姿态的更大多样性。研究结论翻译如下：本工作表明合成电磁响应可以提供超出用于生成它们的特定目标几何的有用训练数据。仿真评估在建模的D波段配置内支持这一发现，而来自三个雷达系统的测量表明某些学习特征在不同采集条件下仍可识别。然而，这些测量也揭示出检测到类目标响应并不总是意味着识别出独立的物理目标。下一个挑战是从识别雷达图像特征转向可靠地识别物理目标。朝着这一目标的进展需要更具代表性的电磁仿真以及将检测与物理对象相关联的方法。需要更广泛的实验验证以确立跨雷达系统的泛化程度。
