微多普勒雷达分类的深度神经网络的鲁棒性
原文约400字/词，阅读约需1分钟。发表于：。通过评估两种深度卷积体系结构在相同数据上的训练和测试，发现遵循标准训练方法时，这两种分类器都对输入表示的微小时间偏移敏感，也对对抗性样本极其敏感；为解决此问题，通过在对抗性样本和时域扩增样本上进行训练，可以减少此效应并实现更好的泛化；最后证明使用节律 - 速度图表示而不是多普勒 - 时间可以更自然地抵抗对抗性样本。
本文介绍了一种利用早期退出神经网络在嵌入式设备上进行深度学习推理的新技术，以提高处理资源有限的嵌入式平台上数据流的处理效率。该技术能够智能地决定何时终止推理，减少计算成本并最大限度地保持准确性。该技术适用于通用硬件，并可与传统优化相结合，使其适用于资源有限的嵌入式平台。这种效率提升使得在资源受限平台上进行实时雷达数据处理成为可能，并在智能家居、物联网和人机交互等领域推出了新的应用。
