本论文旨在探索无人标记的射频信号数据在无监督学习下，是否能适应基于 RGB 的表示学习，并表明这种方法在多种任务上已经超过了基于射频信号的人体感知的最新成果，为来自这种新颖方式的无监督表征学习开辟了可能性。

Jul, 2022

本文提出了一种利用无线电信号生成可见光图像的新方法，采用双分支生成神经网络使用跨模态监督策略对视觉域内的基于信号的特征进行条件化，最终仅使用 Wi-Fi 信号成功地合成了人类轮廓和骨架视频。

Mar, 2022

本文提出了一种用于毫米波雷达稀疏连续点云的语义分割框架，该框架包括图结构和拓扑特征，全局和顺序特征提取模块，以及更适合的损失函数，实验结果表明，该模型在自定义数据集和基准数据集上表现优异。

Apr, 2023

通过无线射频成像实现准确的人体识别一直是一个持久的挑战，主要归因于有限的孔径大小及其对成像分辨率的影响。与估计关节不同，本文提出使用条件生成对抗网络 (cGAN) 对整个人体进行估计，以改善成像分辨率。我们使用估计的空间谱作为 cGAN 的输入，使用 MUltiple SIgnal Classification (MUSIC) 算法进行预处理以降低训练复杂性。我们的系统生成与环境无关的高分辨率图像，能从中提取有用的物理特征用于人体识别。我们采用基于卷积层的简单分类网络获得最终的识别结果。实验结果显示，我们训练的生成器生成的图像分辨率足够高，能够实现人体识别，与 Kinect 设备相比，平均剪影差异仅为 5%。在不同环境中对多个测试者进行的大量实验表明，我们的系统在未见环境中能够实现 93% 的整体测试准确率，用于静态人体目标识别。

Feb, 2024

使用多目标优化方法选择具有区分性的特征来提高呼吸模式识别的准确性，同时限制个体用户识别，验证结果表明呼吸识别和用户识别的准确性存在显著差异。

Jan, 2024

研究使用回波毫米波无线电信号在室内环境中联合跟踪和识别人类身份，并结合多个处理步骤，如滤波、分类和轨迹跟踪等，以实现多用户场景中的准确性和鲁棒性。

Mar, 2020

本文提出了一种低复杂度高精度的端到端方法，使用来自低成本 mm 波雷达的稀疏点云序列，结合扩展物体跟踪 Kalman 滤波器和针对雷达点云的有效特征提取和快速推理的深度学习分类器，实时跟踪和识别多个主体，并在一组八个对象中准确识别三个对象，操作速度高达 15 帧 / 秒。

May, 2021

本文提出了一种新方法 (RF-ReID)，利用无线电信号 (RF signals) 替代传统 RGB 摄像头的照片 / 视频。RF 信号既可以穿透衣服，又可以反射身体，并且能捕捉身体大小和形状等更具持久性的特征，因此可以在长时间的不同天气、着装等情况下识别同一人，并且可以在存在遮挡或者光线照射不充足情况下进行识别。与照片和视频不同，RF 信号是更加隐私保护的数据，因此可以被用于在医疗保健等隐私敏感领域进行人员识别。

Apr, 2020

本文提出了 ISRF 方法，该方法可以与尝试从 RF 中分割复杂对象的先前分割方法相比，交互性地分割带有细微结构和外观的对象，并可用于新视图合成、多个场景中的对象分割等应用。

Dec, 2022

通过概率地图引导的多格式特征融合模型 ProbRadarM3F，本文提出了一种用于人体姿态估计的新型毫米波雷达特征提取框架，有效地实现了人体的 14 个关键点的估计。实验证明了该模型的有效性，其 AP 达到 69.9%，突出了研究中未被利用的位置信息，为探索毫米波雷达中的其他潜在非冗余信息提供了方向。

May, 2024