中文标题：多路径对比学习的超宽带雷达非视距人体行为识别方法

英文标题：Multipath Contrastive Learning for Non-line-of-sight Human Activity Recognition using an Ultrawideband Radar

来源期刊：雷达学报

基金项目：中国高校产学研创新基金(2024HY023)，四川省科技计划项目(24NSFSC0498, 2024YFFK0417)，四川省特殊环境机器人重点实验室开放基金项目(24kftk02)，成都理工大学“AI 研究基金”(2025AI019), 成都理工大学研究生科研创新计划(2025BJCX-LS047)

作  者：钟晓玲¹, 周俊霖¹, 贾勇^{1, 2}, 祝庆曦¹, 姚光乐¹, 易诗¹

作者单位：1. 成都理工大学 成都 610059
2. 电子科技大学长三角研究院(衢州) 衢州 324000

摘  要：基于多径利用雷达的非视距人体目标行为识别技术在城市作战、智能驾驶、应急救援等领域具有重要的应用价值，现有研究通常基于监督式深度学习框架，存在严重依赖大规模标注样本、抗噪性能有限的问题。为此，该文将多路径传播视作多视角观测信息通道，通过路径分离和时频分析构造等效多视角的人体行为时频谱图，进一步提出物理信息嵌入的多路径对比网络(MuPhyCoNet)，一方面将不同路径的多视角时频谱图作为天然的对比学习多路正样本输入，支撑模型自主学习挖掘行为特征，无需依赖大量人工标注；另一方面，引入观测项与预测项两类物理约束并设计物理一致性损失。观测项直接从原始时频谱图计算物理量差别，预测项由投影头回归的物理参数与观测值对齐以验证网络所学物理特性；二者合并，使模型在保持判别能力的同时，提高对噪声和建模误差的鲁棒性。该文在采用超宽带步进变频连续波雷达自采的非视距人体行为数据集(6类动作、共19500张时频谱图)上，采用“自监督预训练+下游分类器”的策略进行了评估。实验结果表明：在10%标注率设置下，MuPhyCoNet的分类准确率为94.32%，较MoCo v2的72.19%提升了22.13%，同时表现出更优的抗噪声性能。

全文链接： https://radars.ac.cn/cn/article/doi/10.12000/JR25241