序言
最近发现GAN在雷达信号处理,尤其是基于微多普勒的识别方面,有多篇论文的研究。在研读论文的过程中,记录下自己的想法。
正文
GENERATIVE ADVERSARIAL NETWORKS TO AUGMENT MICRO-DOPPLER SIGNATURES FOR THE CLASSIFICATION OF HUMAN ACTIVITY
本文主要思想是利用GAN来扩展数据,提高基于微多普勒人体动作检测的精度。对于小数据集识别问题,目前论文中看到的方法大致有三类:
(1)计算机数据仿真,扩展数据集大小。主要存在问题就是,需要对该领域知识很丰富,另外仿建模的精度,也决定了识别的精度。
(2)迁移学习,利用已有的网络提取特征。主要难点就是寻找一个方便迁移的、已有的网络(个人感觉)。
(3)利用GAN扩展数据集。不需要对该领域有丰富的先验知识,让网络自己学习其中的模式,代替人工学习。
这篇论文写得比较粗糙,详细内容是:对七种人体动作进行识别,每个动作对应一个GAN;对于每一个动作,使用不同数目的样本训练GAN。得出的结论就是:使用训练样本数目越多,扩展出来的数据越真实,识别精度越高。(这是必然的吧)。
我觉得缺少工作内容:
(1)直接用原始数据训练CNN或者其他分类网络,得出一个识别精度 A c c 1 Acc_1 Acc