Классификатор временных треков автомобильного радара с многомасштабной адаптацией к дисбалансу классов

Аннотация

Введение: распознавание дорожных объектов по данным автомобильного радара осложняется малым числом отражений в кадре и сильной неравномерностью классов, из-за которой редкие объекты хуже представлены в обучении. Цель: разработать классификатор радарных треков, устойчивый к дисбалансу классов и применимый к открытым наборам дорожного движения. Методы: для проведения исследований разработан и применен метод классификации радарных треков, сочетающий покадровую обработку неупорядоченных множеств радарных отражений разделяемым многослойным персептроном с инвариантной агрегацией признаков, временную трансформерную агрегацию с обучаемым классификационным токеном и прототипную классификационную голову в нормированном косинусном пространстве. Дисбаланс классов учитывался с помощью отступа, зависящего от распределения меток, классово-зависимого температурного масштабирования, весов функции потерь, рассчитанных по эффективному числу образцов, и взвешенной выборки при формировании мини-батчей; дополнительно применялось вспомогательное предсказание статистических моментов радиальной скорости. Результаты: эксперименты выполнены на наборах RadarScenes и Boreas-Objects-V1. RadarScenes содержит 158 последовательностей с поточечной разметкой пяти классов, а Boreas-Objects-V1 ‒ 4699 треков с трехмерной разметкой четырех классов, включая редчайший класс с долей 1,5 %. На Boreas-Objects-V1 сбалансированная точность выросла с 0,945 до 0,970, а полнота редчайшего класса ‒ с 0,833 до 0,917. Абляционное исследование показало, что отключение временной агрегации снижает сбалансированную точность на RadarScenes с 0,998 до 0,327, что указывает на принадлежность последовательной информации к ключевым источникам признаков, а не к вспомогательным элементам модели. Практическая значимость: классификатор пригоден для обучения систем радарного распознавания дорожных объектов в условиях ограниченного числа примеров редких классов.