航空器多态雷达散射截面识别：贝叶斯融合方法
内容提要
该文综述雷达与无人机感知研究，涵盖：利用深度网络识别LoS/NLoS攻击；EchoFusion融合雷达原始数据与图像；无人机中继结合强化学习提升保密容量；雷达-光学融合用于目标检测；RODNet实现实时雷达目标检测；CenterRadarNet从4D雷达进行3D检测与追踪；以及用半监督CNN提升SAR识别。
延伸解读
多传感器融合提升感知鲁棒性
文章综述了多种雷达与视觉融合方法，如EchoFusion融合雷达原始数据与图像，在RADIal数据集上接近激光雷达性能；雷达-光学融合在牛津雷达机器人车数据集上，清晰和雾天下平均精度分别提升14.4%和20.5%。这些结果表明，融合不同模态能有效应对恶劣天气和复杂场景，提升自动驾驶和无人机感知的可靠性。
实时检测与追踪的技术进展
RODNet通过摄像机和雷达融合的交叉监督，实现了实时雷达物体检测，平均精度86%、召回率88%。CenterRadarNet则从4D雷达数据中学习高分辨率表示，在K-Radar基准上取得3D检测最新成果，并首次实现基于雷达的3D物体追踪。这些进展表明，雷达感知正从2D检测向实时3D追踪演进，为自动驾驶提供更全面的环境理解。
通信安全与无人机中继的智能优化
针对无线通信中的被动窃听问题，研究提出利用无人机作为移动中继，通过多用户波束成形和深度强化学习优化位置与功率，在无法获取窃听通道时，保密容量随用户数增加而提高。另一项工作联合无人机轨迹与可重构智能表面无源波束成形，最大化平均可实现速率。这些方法展示了智能算法在提升通信安全与效率方面的潜力。
少样本学习与攻击识别
基于深度注意力识别的方案，在无人机中嵌入小型网络，利用SINR和RSSI识别LoS/NLoS攻击，并通过数据操作和多数投票补充决策，精度高于XGB分类器。半监督CNN框架利用少量标注样本和未标注样本，在MSTAR数据集上有效提升SAR识别性能。这些工作表明，在数据不足场景下，结合注意力机制和半监督学习能增强识别鲁棒性。
Q&A
EchoFusion 方法是如何提升雷达感知性能的？
EchoFusion 通过跳过现有雷达信号处理管道，将雷达原始数据与其他传感器（如图像）结合，利用雷达回波的丰富无损距离和速度线索以及图像的丰富语义线索，在 RADIal 数据集上超越现有方法并接近激光雷达性能。
RODNet 在雷达目标检测中的表现如何？
RODNet 是一种深度雷达物体检测网络，通过摄像机和雷达融合算法进行交叉监督，能在实时条件下有效检测射频图像中的物体，在各种驾驶条件下呈现鲁棒性，并取得了86%的平均精度和88%的平均召回率。
CenterRadarNet 在4D雷达数据中实现了哪些任务？
CenterRadarNet 从4D雷达数据中进行高分辨率表示学习，有效联合建模了3D物体检测和重新识别任务，在K-Radar 3D物体检测基准测试上取得了最新成果，并在K-Radar数据集V2上展示了首次使用雷达进行的3D物体追踪结果。
如何利用无人机中继和深度强化学习提高通信保密容量？
通过利用无人机作为移动空中继站，采用多用户波束成形和深度强化学习算法优化空中继站的位置和传输功率，使得在无法获取窃听通道情况下，划分系统后的通信保密容量能够随用户数的增加而逐渐提高。
半监督CNN如何提升SAR自动目标识别性能？
基于卷积神经网络的半监督框架通过辅助分割和信息残差损失的训练，利用少量标注样本和未标注样本进行训练，在MSTAR数据集上的实验证明了该方法在少样本学习中的有效性，提高了识别性能。
Deep Attention Recognition 方案如何识别无人机通信中的攻击？
该方案在认证的UAV中嵌入一个小型深度网络，利用可观测参数SINR和RSSI识别Line-of-Sight和Non-Line-of-Sight情况下的攻击，并提出数据操作和多数投票技术补充深度网络决策，标准分类器测试表明该算法精度在LoS和短距离NLoS条件下均高于XGB分类器。
