自主车辆的感知问题中，使用雷达来感知的能力使其引起了研究人员的兴趣，然而，由于昂贵和难以标注大规模雷达数据，训练雷达模型一直存在困难。为了解决这个瓶颈问题，我们提出了一种自我监督学习框架，利用大量无标签的雷达数据来预训练仅用于自动驾驶感知任务的雷达嵌入。该方法结合了雷达对雷达和雷达对视觉的对比损失，从配对的无标签雷达热图和相应的相机图像中学习出一种通用表示。在下游目标检测任务中应用时，我们证明了该自我监督框架能够提高现有监督基线方法的 mAP 准确度 5.8%。

Dec, 2023

利用生成对抗网络的方法以及语义地图对室内环境进行建模，实现射频地图的自动合成及网络覆盖估计。

Aug, 2023

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

通过分析射频（RF）数据，本文提出了一种利用环境无线信号对室外环境进行重建的新方法，通过选定的深度学习技术在合成射频数据集 WAIR-D 上进行研究，评估了两种基于深度学习的方法，在性能评估中使用了交集 - 并集（IoU），豪斯多夫距离和切菲尔德距离等指标，结果显示基于射频的重建方法具有良好的性能，为轻量级和可扩展的重建解决方案铺平了道路。

Feb, 2024

近年来，许多研究探讨了深度学习算法在城市通信网络中确定发射器和接收器对之间的大规模信号衰落（也称为 “路损”）的应用。本文通过发布包含真实城市地图和开放数据源的航拍图像的模拟路损无线电地图公共数据集，进行了关于模型架构、输入特征设计以及从航拍图像估计路损地图的初步实验，并提供了相关代码。

Jan, 2024

本文提出了一种自我监督学习的雷达目标检测预训练框架 RiCL，通过利用雷达的检测和时间信息，可以用较少的数据来预训练目标检测模型，实验结果表明我们的方法在范围 - 多普勒图中可以学习到物体的通用表示，并且只需要使用整个训练集数据 20% 的标注数据就能达到与监督学习相似的 M-Average [email protected]。

Feb, 2024

本文提出了一种名为 RODNet 的深度雷达物体检测网络，通过摄像机和雷达融合算法进行交叉监督，可以在实时的条件下有效地检测无线电频率 (RF) 图像中的物体。经过广泛的实验，我们的算法在各种驾驶条件下呈现了鲁棒性，并取得了 86％的平均精度和 88％的平均召回率。

Feb, 2021

本文提出了一种新的自监督训练方法，利用来自多个传感器的共同数据来学习每种可能的组合的有用表示，该方法在遥感分类任务中优于全监督 ImageNet 权重，并随着越来越多的传感器融合而改善。

Aug, 2021

该研究提出了一种名为 CRUW 的新数据集，并通过系统化注释和性能评估系统实现了雷达对象检测（ROD）任务，以从雷达的射频（RF）图像纯粹地对 3D 中的物体进行分类和定位，以此来充分利用雷达作为一种全天候传感器的优势。

May, 2021

该研究提出了第一个大规模的多模态数据集，用于研究毫米波车到车通信。数据集包括来自 360 度摄像机、四个雷达、四个 60 GHz 相控阵、一个 3D 激光雷达和两个精确 GPS 的两车试验台的数据。该数据集涵盖了日间和夜间的城际和乡村地区，行驶距离 120 公里，速度高达 100 公里 / 小时。数据集包含了超过一百万个物体的检测结果，从卡车到自行车都有。该研究还提供了详细的数据集统计信息，证明了各种情况的覆盖情况，并强调了该数据集如何支持新颖的机器学习应用。

Jun, 2024