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

使用 60 GHz 短程 FMCW 雷达，本文提出了一种名为 HOOD 的实时强韧人体存在和异常检测方法，它将存在检测应用作为一种异常检测问题，并通过单一处理流程同时解决这两个问题。

Jul, 2023

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

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

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

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

通过使用 CenterRadarNet 来从 4D 雷达数据中进行高分辨率表示学习，对于 3D 物体检测和重新识别任务进行了有效的联合建模，取得了在 K-Radar 3D 物体检测基准测试上的最新成果，并在 K-Radar 数据集 V2 上展示了首次使用雷达进行的 3D 物体追踪结果。

Nov, 2023

本研究介绍了一种基于深度学习和传统方法的方案，用于实现雷达目标检测中的区分类似数据点且不需要监督的方法。通过对微多普勒信号的模拟研究，本文介绍了用于鉴别数据点所需要的特定监督要求，并讨论了训练中标签异常对训练集污染的影响。

May, 2022

本文提出了一种用于频率调制连续波雷达相互干扰抑制的神经网络（NNs）训练方法，通过直接在目标检测地图上训练 NNs，以显著提高目标检测性能，并引入可分离卷积核来减少雷达应用中卷积 NN 架构的参数和计算复杂性。

Dec, 2023

通过对比研究和深度分析来评估各种最先进的方法对基于置信度的 OOD 检测的能力，并采用计算机视觉基准来复现和比较多种 OOD 检测方法。评估了它们在使用胸部 X 线进行疾病分类这一具有挑战性任务中的能力，结果表明在计算机视觉任务中高性能不直接转化为医学成像任务中的准确性，因此为开发下一代 OOD 检测方法提供了有用的见解。

Jul, 2021