提出了 HAROOD 作为基于短程 FMCW 雷达的人类活动分类器和离群分布（OOD）检测器。通过引入两阶段网络，第一阶段使用包括中间重建损失、中间对比损失和三元损失的新型损失函数进行训练，第二阶段利用第一阶段的输出作为其输入，并通过交叉熵损失进行训练，从而创建了一个执行活动分类的简单分类器。在通过 60 GHz 短程 FMCW 雷达收集的数据集上，平均分类准确率达到 96.51％，作为 OOD 检测器的平均 AUROC 达到 95.04％。此外，广泛的评估证明了 HAROOD 在标准 OOD 检测指标方面优于现有 OOD 检测方法。

Dec, 2023

本论文提出了一种基于短程 FMCW 雷达的面部认证和 ODD 检测框架，利用重建式架构结合卷积块、编码器解码器和线性编码器解码器部分，构建了准确的人脸分类器和强大的 ODD 检测器，实验结果表明该方法在常见的 ODD 检测指标上优于之前的方法。

Jun, 2024

本论文使用低成本低功率毫米波频率调制连续波雷达进行车内乘员检测，提出了基于 Capon 滤波器的算法进行联合距离 - 方位估计，并提取最小必要特征来训练机器学习分类器，以实现高精度的同时具有合理的计算复杂性。在一辆小型厢式车上进行实验，利用支持向量机（SVM）检测每一排的座位是否有乘客，最终获得了平均 97.8％的正确率，并且该系统可以以 100％的准确率正确识别车辆是否被占用。

Aug, 2019

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

本文使用深度学习框架对 FMCW 雷达进行物体检测和 3D 估计，在处理雷达训练数据时，通过图像分析提供三维空间中物体方向的真实值，并提出归一化方法以确保成功训练完全卷积网络 (FCN)，该系统能够在嘈杂环境中成功检测到汽车并进一步估计其 3D 位置。

Feb, 2019

基于 60 GHz FMCW 雷达的轻量级手势识别系统，通过一种瘦身的雷达处理算法提取五个特征，并利用基于循环神经网络的架构实现手势的检测和分类。该系统在嵌入式平台上运行，对内存、计算和功耗有严格要求，达到了 98.4% 的 F1 分数，在 Arm Cortex-M4 微控制器上仅需 280 kB 的闪存空间、120 kB 的 RAM 和 75 mW 的功耗。

Oct, 2023

通过在可移动机器人上装载毫米波雷达系统与轻量级深度神经网络结合，实现了实时监测人类活动的医疗监测系统。

May, 2024

本文介绍了一种在地面车辆上安装 FMCW 雷达，利用从上方获取的图像完成车辆定位的方法，并且该方法通过跨模态处理自然地处理了信号类型的复杂性。

Jan, 2020

本文介绍了一种有效的注释过程以及其应用，旨在利用 FMCW 扫描雷达对感知环境进行端到端的丰富语义分割。通过利用迄今为止收集的最大雷达集中的城市自治数据集，我们避免了繁琐的手动标注，并将雷达扫描与 RGB 相机和 LiDAR 传感器相关联，在此过程中，语义分割已经是一个已经巩固的程序。最后，我们使用多通道雷达扫描输入呈现网络，以处理短暂的和动态的场景对象。

Apr, 2020

提出了一种基于毫米波雷达的新型深度学习方法，即 milliFlow，用于场景流估计，为下游的人体动作传感任务提供了中间级别的特征，并且进一步改善了人体活动识别、人体分割和人体部分跟踪。

Jun, 2023