IOAI 2025 At-Home Radar

• 来源：noai-mis/IOAI/IOAI-2025/At-Home-Round/Radar
• 类型：Misc / radar signal segmentation
• 原始资料：Radar.ipynb、Radar_Solution.ipynb、metric_v8
• 题面完整性：notebook 内完整
• 解法资料完整性：有 reference solution

题面大意

任务是利用雷达信号分析目标物体，在噪声和非目标反射干扰下识别目标所在区域/类别。数据以多通道雷达 heatmap 张量形式提供，参考 solution 中前 6 个通道为输入 heatmaps，最后通道为标签。提交模型文件和权重，由评测平台加载推理。

数据特点

雷达数据不是自然图像，但呈现为二维热图/多通道栅格。目标区域稀疏，背景噪声和反射强，边界可能不规则。标签存在背景和多个目标类别，solution 中将标签从 -1..3 平移到 0..4 处理。评价通常同时关注像素级/区域级准确。

考点

核心考点是多通道语义分割和信号噪声鲁棒性。参赛者需要把雷达 heatmap 当作结构化图像处理，同时利用连通域、边界裁剪等后处理去除边缘噪声。

涉及知识点

• 多通道 CNN / UNet。
• 语义分割损失：CrossEntropy、Dice、Focal。
• 类别不平衡与稀疏目标。
• 连通域后处理。
• 提交模型代码与权重的工程约束。

解法思路

参考 solution 使用 PyTorch 自定义 Dataset 读取 .pt 文件，取前 6 通道为输入，最后通道为标签，训练分割模型。模型输出每个像素的类别 logits，推理后 argmax 得到 mask。后处理中可清除边缘若干行列、去掉小连通域或保留最大连通域，以减少雷达边缘噪声导致的误检。

可选/多种解法

轻量 UNet：最适合分割目标区域。

Encoder-decoder CNN + Focal/Dice：处理目标稀疏。

传统后处理：阈值、连通域、形态学过滤，与 CNN 输出结合。

特殊技巧

雷达热图边缘常有系统性噪声，reference code 中有清除顶部/底部/左右边缘的后处理倾向。目标类别从 -1 开始时必须正确平移，否则 loss 标签非法。可视化预测与标签叠图能快速发现模型是否只学背景。

调参优化

雷达题的调参应同时覆盖模型输出和传统后处理。若用 CNN/UNet，重点调输入归一化、通道选择、loss 中正类权重、Dice/BCE 权重、学习率和 crop 尺寸；后处理重点调概率阈值、连通域最小面积、形态学开闭操作核大小和边界平滑。验证指标要和目标任务一致，若最终是目标定位或计数，像素级 loss 只能辅助。不同雷达场景噪声差异大，阈值最好按验证分布校准。

注意事项

提交需要包含可加载的 submission_model.py 和 submission_dic.pth。模型代码必须自包含必要 import。不要把测试标签或本地可见的 hidden 文件用于训练。

推广意义

这题是“非自然图像也可用 CV 分割工具”的典型案例。雷达、医学、遥感、工业传感器热图都可用类似 encoder-decoder 与后处理组合。