UWB雷达CPD新突破：粗粒度标注雷达检测+轻量物理感知框架双线进展

【2026-10-20 内容可信度清洗】两篇论文经逐一核对原文均真实存在（arXiv 2610.07670 全文、MDPI DOI 10.3390/electronics15184301 摘要），方法描述已按原文更正；
删除了原文中不可溯源的实验数字表（CFAR 72.3%/89.5%/86.1%、”标注成本降低80%”、ResNet18 94.2%等对比表、参数量0.08M/2ms/0.1W）、冒充论文方法的整段虚构 PyTorch 代码、以及无信源的行业数字（sub-13cm、$45/$20 成本、Euro NCAP “13/14分” 等）。核对过程见 workspace/logs/content-audit-details.md。

核心论文

1. 粗粒度标注雷达目标检测（IGARSS 2026 Oral）

1.1 论文信息

1.2 核心方法（已按原文核对）

传统雷达深度学习检测器依赖 range-cell 级别标注（逐距离单元标注），标注成本极高。该论文的方法是只用更廉价的 range-window 级别标签（窗口级标注）来训练检测器：

1. 从同一窗口回波中随机裁剪两个子回波（已知相对位移）；
2. 使用 Siamese Transformer 在其中一个子回波中识别目标显著性响应；
3. 生成伪标签并利用已知位移映射到配对子回波；
4. 施加移位等变一致性（Shift-Equivariant Consistency, SEC）约束，使位移补偿后两个子回波的预测响应对齐。

实验设置（原文）：数据来自 MTDSP 数据库，载频 9.4 GHz、带宽 25 MHz；回波长度 L=8、K=64，Transformer 编码块 N=6；SCR 扫描范围 0–11 dB。

1.3 实验结果（已按原文核对）

原文未提供与 CFAR 对比的具体百分比数字（如”CFAR 72.3%、窗口级 86.1%”之类的数字原文不存在），检测性能以 Pd/Pfa 曲线（图）呈现，文字结论为：

• 所提方法在全部 SCR 范围内持续优于 CA-/OS-/SO-/GO-CFAR 各变体；
• 性能接近 range-cell 级标签训练，同时大幅降低标注成本（原文为定性表述，未给出成本降低的百分比）；
• 与 cell 级标注训练的差距仅出现在 0–2 dB 低 SCR 区间，3 dB 及以上两者一致；
• 消融实验（SCR=10 dB）：完整组件（Transformer+Siamese+SEC）下 Pd 99.99%、Pfa 5.6×10⁻⁷。

1.4 IMS启示

2. 轻量物理感知UWB雷达存在检测

2.1 论文信息

2.2 核心方法（已按原文核对）

注意：此前文中”呼吸带通 0.1–0.5 Hz + 体动带通 0.5–5 Hz + 三通道 CNN”的描述并非该论文的方法，已更正。原文方法为：

• 在原始雷达信号之外，构造基于物理的特征作为额外输入通道：FFT 频域统计特征与 Hilbert 变换包络统计特征；
• 用每受试者的 Cohen’s d 筛选步骤挑选特征——实验发现单一特征 FSTD（频率标准差）即可持平甚至超过所有多特征组合，”有针对性的特征选择”比特征堆叠更重要；
• 特征与原始信号一起输入一个紧凑的 2D-CNN 做二分类（存在/不存在）；
• 评估采用跨受试者协议（train-on-one-subject, test-on-the-other），而非混合划分；数据集为两名受试者（一男一女）的室内采集。

2.3 部署结果（已按原文核对）

原文摘要未给出总体准确率对比数字（原文不存在”ResNet18 94.2%/MobileNetV2 92.8%/物理感知框架 93.5%/0.08M参数/2ms/0.1W”这类数字），结果以配置间相对比较呈现。可核实的部署相关数字：

• 训练后 INT8 量化将模型压缩到约 23 KB，量化鲁棒的配置下性能保持；
• 硬件在环（STEdgeAI）实测推理：STM32N6 上约 0.88 ms，STM32H7 级 MCU 上 117–130 ms（仅为推理耗时，不含雷达采集与预处理）。

注意样本规模：两人数据集，结论是配置间的相对比较，不能外推为人群级泛化能力。

Mermaid架构图

graph TB
    subgraph "粗粒度标注雷达检测 (IGARSS 2026, arXiv 2610.07670)"
        A[窗口回波<br/>仅窗口级标注] --> B[随机裁剪配对<br/>已知相对位移]
        B --> C[Siamese Transformer<br/>共享权重编码]
        C --> D[伪标签生成<br/>显著性响应]
        D --> E[位移映射<br/>A→B坐标系]
        C --> F[配对子回波预测]
        E --> G[SEC一致性约束<br/>移位等变]
        F --> H[检测结果<br/>全SCR范围优于CFAR<br/>低SCR(0-2dB)外接近cell级标注]
    end
    
    subgraph "物理感知UWB存在检测 (MDPI Electronics 2026)"
        I[UWB原始信号] --> J[物理特征构造<br/>FFT统计 + Hilbert包络]
        J --> K[Cohen&#x27;s d 特征筛选<br/>单特征FSTD即可]
        I --> L[紧凑2D-CNN<br/>特征作为额外通道]
        K --> L
        L --> M[存在/不存在<br/>跨受试者评估<br/>INT8量化约23KB]
    end
    
    style H fill:#c8e6c9
    style M fill:#c8e6c9

IMS开发启示

1. 标注降本：雷达 CPD 训练数据不必逐 range-cell 标注——窗口级标签 + 已知位移的伪标签迁移即可接近 cell 级性能（低 SCR 区间除外）。
2. 物理先验的正确用法：MDPI 论文的路径不是把物理直觉硬编码成网络结构，而是把 FFT/Hilbert 等物理统计特征作为额外输入通道，并用效应量（Cohen’s d）做特征筛选——特征选择比模型堆叠更值钱。
3. 跨受试者评估必须做：存在检测若只用混合划分评估会高估泛化能力；IMS 评估 CPD 方案时应要求跨受试者协议。
4. 边缘部署基准：STM32N6 上亚毫秒级推理（0.88 ms）说明这类轻量模型可以放进低成本 MCU，而不必依赖座舱主 SoC。

参考

1. Zang, C. et al. Radar Intelligent Detection with Coarse-Grained Labels. IGARSS 2026 (Oral). arXiv:2610.07670. https://arxiv.org/abs/2610.07670
2. Yousefi, M., Doğan, E. B., Karamzadeh, S. A Lightweight Physics-Informed Deep Learning Framework for Human Presence Detection Using UWB Radar. Electronics, 2026, 15(18), 4301. https://doi.org/10.3390/electronics15184301

总结

本周雷达CPD方向两篇论文进展：

1. 粗粒度标注（IGARSS 2026 Oral）：Siamese Transformer + SEC 约束，仅用窗口级标注训练即在全 SCR 范围优于 CFAR 变体，除 0–2 dB 低 SCR 外接近 cell 级标注训练性能，大幅降低标注成本（原文定性表述，无具体百分比）。

2. 物理感知UWB框架（MDPI Electronics 2026）：FFT/Hilbert 物理统计特征（经 Cohen’s d 筛选）作为额外通道喂给紧凑 2D-CNN，跨受试者评估；INT8 量化后约 23 KB，STM32N6 实测推理约 0.88 ms。

下一步：评估窗口级标注流程在 IMS 雷达 CPD 数据上的适用性；物理特征+Cohen’s d 筛选作为轻量存在检测的候选基线。