⚠️ 以下所有内容总结都来自于 大语言模型的能力，如有错误，仅供参考，谨慎使用
🔴 请注意：千万不要用于严肃的学术场景，只能用于论文阅读前的初筛！
💗 如果您觉得我们的项目对您有帮助 ChatPaperFree ，还请您给我们一些鼓励！⭐️ HuggingFace免费体验
2025-01-17 更新
FARE: A Deep Learning-Based Framework for Radar-based Face Recognition and Out-of-distribution Detection
Authors:Sabri Mustafa Kahya, Boran Hamdi Sivrikaya, Muhammet Sami Yavuz, Eckehard Steinbach
In this work, we propose a novel pipeline for face recognition and out-of-distribution (OOD) detection using short-range FMCW radar. The proposed system utilizes Range-Doppler and micro Range-Doppler Images. The architecture features a primary path (PP) responsible for the classification of in-distribution (ID) faces, complemented by intermediate paths (IPs) dedicated to OOD detection. The network is trained in two stages: first, the PP is trained using triplet loss to optimize ID face classification. In the second stage, the PP is frozen, and the IPs-comprising simple linear autoencoder networks-are trained specifically for OOD detection. Using our dataset generated with a 60 GHz FMCW radar, our method achieves an ID classification accuracy of 99.30% and an OOD detection AUROC of 96.91%.
在这项工作中，我们提出了一种利用短距离FMCW雷达进行人脸识别和异常分布（OOD）检测的新流程。该系统利用距离多普勒和微距离多普勒图像。该架构具有一条负责处理内部分布（ID）人脸分类的主路径（PP），以及专门用于OOD检测的中间路径（IPs）。网络分为两个阶段进行训练：首先，使用三元组损失对主路径进行训练，以优化内部分布人脸的分类。在第二阶段，主路径被冻结，由简单线性自编码器网络组成的中间路径被专门训练用于OOD检测。使用我们利用60 GHz FMCW雷达生成的数据集，我们的方法实现了内部分布人脸分类准确率99.30%，以及异常检测AUROC为96.91%。
论文及项目相关链接
PDF Accepted at ICASSP 2025
Summary
本文提出了一种基于短距离FMCW雷达的人脸识别与异常检测新流程。系统采用Range-Doppler和微Range-Doppler图像，设计了一条主路径用于识别常规人脸，辅以多条路径专门进行异常检测。训练过程分为两个阶段，第一阶段为主路径训练，采用三元损失优化人脸识别；第二阶段冻结主路径，训练由简单线性自编码器网络组成的辅助路径进行异常检测。使用本团队通过60 GHz FMCW雷达生成的数据集，本方法人脸识别准确率为99.3%，异常检测平均ROC曲线下面积达到96.9%。
Key Takeaways
- 提出了一种基于FMCW雷达的人脸识别与异常检测新流程。
- 系统采用Range-Doppler和微Range-Doppler图像作为核心数据。
- 设计了一条主路径进行常规人脸识别，辅以多条路径专门进行异常检测。
- 训练过程分为两个阶段，首先训练主路径进行人脸识别，再训练辅助路径进行异常检测。
- 使用三元损失函数优化人脸识别过程。
- 人脸识别准确率达到了99.3%。
点此查看论文截图
