IOAI 2025 Individual Radar

• 来源：noai-mis/IOAI/IOAI-2025/Individual-Contest/Radar
• 类型：Misc / radar signal segmentation
• 原始资料：Radar.ipynb、Solution/Radar_Solution.ipynb、metrics.py
• 题面完整性：notebook 内完整
• 解法资料完整性：有 reference solution

题面大意

利用雷达 heatmap 信号识别目标区域/类别。数据以 .pt 多通道张量给出，参考解法中前 6 个通道为输入 heatmaps，最后通道为像素级标签。提交模型代码与权重，由评测系统加载并输出预测。

数据特点

雷达数据存在背景反射、噪声和非目标物体。目标区域可能很小，标签包括背景/无效区域与多个目标类别。相比自然图像，雷达热图纹理更抽象，但局部结构和连通区域仍适合 CNN 分割。

考点

核心考点是多通道分割、类别不平衡和后处理。模型需要从低信噪比热图中找目标，同时避免边界噪声误报。

涉及知识点

• 2D CNN/UNet 分割。
• CrossEntropy / Dice / Focal loss。
• 雷达 heatmap 多通道输入。
• 连通域与边缘过滤。
• 模型打包提交。

解法思路

参考 solution 使用 Dataset 读取 .pt，把标签从 -1..3 平移到 0..4，训练 CNN 分割模型。推理时输出每像素类别，并可对预测 mask 做边缘清零和连通域过滤，减少明显噪点。

可选/多种解法

UNet：适合像素级标签。

浅层 encoder-decoder：速度快，适合现场限制。

阈值/连通域后处理：配合神经网络提升稳定性。

特殊技巧

可视化预测与标签非常重要，雷达数据肉眼不直观。若大部分像素是背景，需使用 class weight 或 focal loss 防止模型全预测背景。边界裁剪在参考代码中出现，是处理系统性边缘伪影的实用技巧。

调参优化

个体级雷达任务更依赖稳定特征和阈值。建议调时间窗口长度、频域/时频特征分辨率、归一化方式、模型容量、类别权重、学习率和决策阈值；如果输出包含检测框或 mask，还要调连通域过滤和轨迹合并参数。验证切分应按个体或场景分组，避免同一人的相邻片段同时出现在训练和验证。若少数个体混淆明显，可调 metric learning margin 或原型分类的距离温度。

注意事项

Individual Radar 与 At-Home Radar 资料相近但目录不同，提交要求以本题 notebook 为准。标签平移不要忘。模型文件和权重文件名必须符合打包代码。

推广意义

雷达、声呐、医学扫描和工业热图都常被转成多通道阵列，再用分割模型处理。这题训练了“非自然图像 CV”的基本思路。