将对抗域适应(ADA)应用于微多普勒人类活动分类.

• paper：Unsupervised Adversarial Domain Adaptation for Micro-Doppler Based Human Activity Classification
• IEEE Geoscience and Remote Sensing Letters：link

监督学习算法往往需要大量的标注数据，且较难泛化到新的环境中。本文提出了一种使用微多普勒信号进行人类活动分类的域适应方法，主要关注从仿真到真实世界的域适应。首先使用运动捕捉(MOCAP)数据库生成模拟的微多普勒数据，用于训练卷积神经网络。然后引入一个域判别器处理卷积网络的特征提取部分，用于区别仿真数据和真实数据。通过对抗训练，将在仿真数据中训练的卷积网络推广到真实数据中，并在微多普勒分类中的准确率超过现有的方法。

微多普勒效应(micro-Doppler effect)是使用雷达识别人类行为的基础。微多普勒效应是指对返回的雷达信号进行附加调频，产生关于目标体的多普勒频率的侧频带。对于不同的人类活动，四肢的运动会产生视觉上容易区分的微多普勒特征。通过这些特征可以实现不同人类活动的分类。

1. Method

记源域$D_s$中的源数据集为\(X_s=\{ (x_i,y_i),i=1,...,n \}\)，目标域$D_s$中的目标数据集为\(X_t=\{ x_j,j=1,...,m \}\)。域适应问题的关键在于源域和目标域的域分布偏差(domain distribution bias)，通过引入对抗训练使得学习到的特征具有类别区分性(category discriminative)和领域不变性(domain invariant)。

• 类别区分性：通过在源域上训练使得网络能够预测数据的类别，通常由交叉熵损失$L_{\text{task}}$实现：

• 领域不变性：通过在源数据上训练使得网络能够提取在不同域中共享的特征，按照对抗学习范式，由判别损失$L_{\text{advD}}$和特征提取损失$L_{\text{advM}}$构成：

整体模型流程如下图所示。

2. Experiment

雷达使用中心频率$4.3$GHz，带宽$1.5$GHz，数据集包含$6$种动作。不同方法的准确率如下：

通过t-SNE可视化，在应用域适应前，源数据和目标数据对应的卷积网络输出特征分布是不同的；在应用域适应后，源数据和目标数据对应的输出特征分布具有高度的重合性，说明网络能够提取域不变的特征。