https://1drv.ms/b/s!AqrrVuODOH-PgYst2EZJxJOX60MY6g

I. Intro

MMW band (30-300GHz)라 안개, 먼지 등에 강건

hourglass(모래시계) architecture

CRUW dataset 직접 제작

II. Related works

A. 비전 관련 연구

Multiple Object Tracking(MOT)

TrackletNet Tracker의 성능이 좋음 (이걸 사용한듯)

Object 3D localization

3D localization에 3D bbox를 쓰는게 맞아 보이지만 ...

3D bbox 추정은 rigid body를 가진 vehicle만 가능 (표지판 같은거 무시하면 가능)

그래서 비교적 강건한 2D bbox 추정을 선택

B. 레이더 관련 연구

Object detection

Single Object

• handcrafted feature → SVM
• STFT →NNet

Multi Objects detection

• CFAR: constant false alarm rate + CNN

RF image에 대한 annotation의 어려움과 noisy 실제 환경에 대한 낮은 성능으로 현실적이지 않음

Cross modality learning

→ 한쪽 모달리티로 다른 쪽 모달리티 모델을 학습시키는 방법

RF Pose

비전 기반 Pose estimation 결과로 RF 신호(WIFI) 기반 Pose estimation 연구

하지만 Object detection은 더 어려운 분야다

1. Pose detection은 Joint의 상대 위치만 고려하면 되니까
2. FMCW 해상도 < Wifi

C. Datasets

아래와 같은 기존의 레이더+카메라 데이터셋을 사용하고자 했으나, 원하는 데이터셋이 없어 직접 만듬

NuScenes, Astyx, HiRes2019

good calibration, synchronization

sparse point

no doppler, no texture info.

RoboCar

dense point cloud

no object annotation

III. Radar Object Detection

A. Radar Signal Processing and Properties

FMCW