将域适应(DA)应用于微多普勒人体运动分类.
- paper：Unsupervised Domain Adaptation for Micro-Doppler Human Motion Classification via Feature Fusion
- IEEE Geoscience and Remote Sensing Letters：link
基于微多普勒的人体运动分类缺乏充足的标记训练数据。域适应(Domain Adaptation)是指将可用的源数据集的知识应用于未标记的目标数据集，通常通过提取域不变的特征(domain-invariant feature)来实现。本文提出了一种用于微多普勒分类的无监督域适应方法。使用运动捕捉数据库MOCAP作为源数据集，为了提取域不变的特征，融合了三种特征，包括卷积神经网络中的浅层特征、经验特征和统计特征。将这些特征融合后，使用k最近邻分类器，对七种人类活动进行分类。
1. Method
所提方法如上图所示，该方法通过保留源数据集中的可用知识，实现对目标数据集准确的分类。模型从数据中提取三种不同的特征，将特征融合后作为数据表示。对于目标数据集中的数据，通过k最近邻分类器寻找源数据集中距离最近的一个数据，将其标签作为分类结果。
(1) Deep Features
通过卷积神经网络提取深度特征。具体地，使用AlexNet第一个卷积层的输出作为特征$V_D$，将其拉直成一维向量，通过主成分分析获取长度为$410$的特征。
(2) Empirical Features
人工选择多普勒信号的六种特征作为经验特征$V_E$：
- 躯干的多普勒频率；
- 多普勒信号的总带宽；
- 总多普勒频移的偏移；
- 无微多普勒频移的带宽；
- 多普勒信号强度的归一化标准偏差；
- 肢体运动的周期。
使用sobel算子提取多普勒信号的包络。
(3) Statistical Features
图像的$n$阶矩是图像重要的统计特征，若$E( \cdot )$表示平均算符，则图像的$n$阶矩$S_n$计算为：
\[S_n = \begin{cases} E(x), n=1 \\ E(x-E(x))^n, n=2 \\ \frac{E(x-E(x))^n}{S_2^{\frac{n}{2}}},n≥3 \end{cases}\]选用图像的前六阶矩作为统计特征$V_S$。
(4) Feature Fusion
将上述特征融合为长度为$410+6+6=422$的特征。
2. Experiment
雷达使用PulsON 440，中心频率为$4.3$GHz，实验范围是$1.2$至$5.4$m。四个人摆出七种动作，雷达的采集频率为$16$GHz。目标数据集由雷达采集得到，而源数据集使用MOCAP数据集。
下面展示了实验分类结果、混淆矩阵、对卷积层和特征使用的消融。
