DIAT-RadHARNet：一种用于基于雷达的人类可疑活动分类的轻量级DCNN

识别可疑人类行为是国家安全领域的一项关键需求。当前，针对基于微多普勒（m-D）特征的人类活动分类任务，设计适用于该场景的深度卷积神经网络（DCNN）模型正迅速发展。然而，高昂的计算成本和庞大的参数量限制了这些模型在实际应用场景中的直接部署与高效使用。本文提出了一套名为“DIAT-μRadHAR”的微多普勒签名数据集，涵盖六类军事相关可疑行为：匍匐前进、拳击、持枪跳跃、跑步、行军以及投掷石块/手榴弹。该数据集由X波段连续波（CW）雷达采集生成。同时，本文设计了一种轻量级DCNN模型——“DIAT-RadHARNet”，专用于上述人类可疑行为的分类任务。为降低计算开销并提升模型泛化能力，DIAT-RadHARNet遵循四项核心设计原则：深度可分离卷积（depthwise separable convolutions）、基于通道重要性的通道加权（Channel Weighting, CHW）、在深度卷积部分采用不同尺寸的滤波器，以及在同一输入张量上并行使用不同大小的卷积核。该网络共包含55层，参数总量仅为213,793个。大量实验分析表明，DIAT-RadHARNet模型在各类活动分类任务中实现了高达99.22%的准确率，显著降低了误报率与漏报率。在测试阶段，所提DCNN模型的时间复杂度仅为0.35秒。值得注意的是，该模型在恶劣天气、低光照环境及远距离探测条件下，仍能保持相同的分类准确率与计算效率，展现出优异的鲁棒性与实用性。