⚡ electrical engineering

mRadNet: A Compact Radar Object Detector with MetaFormer

本論文は、MetaFormer ブロックを備えた U-Net 構造を活用したコンパクトかつ効率的なレーダー物体検出モデルである mRadNet を紹介し、CRUW データセットにおいて最少のパラメータ数と最低の FLOPs で最先端の性能を達成するものである。

原著者： Huaiyu Chen, Fahed Hassanat, Robert Laganiere, Martin Bouchard

公開日 2026-05-18

📖 1 分で読めます☕ さくっと読める

CC BY 4.0

原著者： Huaiyu Chen, Fahed Hassanat, Robert Laganiere, Martin Bouchard

原論文は CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) でライセンスされています。 ✨ これは以下の論文のAI生成解説です。著者が執筆または承認したものではありません。技術的な正確性については原論文を参照してください。免責事項の全文を読む

あなたが濃い霧や吹雪の中で車を運転していると想像してください。あなたの目（カメラ）は前方の状況を見るのに苦労するかもしれませんが、車のレーダーは天候を貫通して物体を「聞く」ことのできる、超能力を備えた一対の耳のようなものです。問題は、これらのレーダーの耳から得られる生データが、数値の乱雑で混乱したかたまりだということです。それを理解するためには、それを整理し、「前方 50 メートルに車があります」とか「左側に自転車乗りがいます」と教えてくれる、コンピュータの脳（AI モデル）が必要です。

この論文は、mRadNetという新しいコンピュータの脳を紹介しています。その仕組みを簡単に説明しましょう。

問題：大きすぎて遅すぎる

これらのレーダーの脳を構築しようとした以前の試みには、重大な欠陥がありました。それは、マラソン（リアルタイムの運転）を走ろうとしながら、巨大で重いバックパック（巨大なコンピュータモデル）を背負おうとするようなものでした。

古いモデル（CNN）： これらは、小さな鍵穴を通して写真を見ている人のようなものでした。目の前の細かい詳細は見えるものの、全体の絵やシーン全体にわたる物事の関係性を理解できませんでした。これを修正するために、エンジニアはモデルをより大きく、より重くしましたが、それによって処理速度は遅くなりました。
新しいモデル（Transformer）： これらは、一度に部屋全体を見渡せる広角レンズを持った人のようなものでした。しかし、計算コストが高く（非常に重く）、安全性に必要な微小な局所的な詳細を見るのに依然として苦労していました。

解決策：mRadNet（「スマートでコンパクトな」脳）

著者たちは、コンパクト（小さく軽量）でありながらスマート（高精度）であるように設計されたモデル、mRadNetを作成しました。これはMetaFormerという概念を用いて構築されました。

MetaFormer をハイブリッドなチームだと考えてみてください。

局所スペシャリスト（畳み込み）： 単一の指紋や小さな手がかりを調べるのが得意な探偵を想像してください。このモデルの部分は、レーダーデータ内の微小な局所的な詳細を見て回ります。
グローバル戦略家（トークンミキサー）： 戦場全体の地図を見て、異なる部分がどのように接続しているかを理解する大将を想像してください。この部分は、全体像と長距離の接続を見て回ります。

mRadNet は、これら 2 つを単一の効率的なユニットに組み合わせます。スタジアムにいるすべての人に、同時に他のすべての人と話させるような、重く複雑な「自己注意」メカニズムを使う代わりに、mRadNet はより単純な「トークンミキサー」を使用します。それは、ノイズやコストなしに仕事を完了させる、合理化された通信システムのようなものです。

仕組み：U-Net 形状

このモデルはU字型（U-Net 構造と呼ばれます）をしています。

左側（エンコーダ）： スポンジを絞ることを想像してください。モデルは、大きく詳細なレーダー画像を取り込み、最も重要な情報だけを残して圧縮します。長い本をいくつかの重要な箇条書きに要約するようなものです。
右側（デコーダ）： そのスポンジを再び広げることを想像してください。モデルは、その重要な箇条書きを取り込み、再び完全な画像に展開しますが、今回は物体がどこに正確にあるかが分かっています。
スキップ接続： 左側と右側をつなぐ「橋」があります。これにより、モデルが画像を再び展開する際に、最初に観測した微小な詳細な情報を忘れないように保証されます。

効率化のための特別な工夫

この脳が小さく、高速でいることを保証するために、著者たちは 2 つの巧妙な工夫を加えました。

スマートな詰め込み（トークン埋め込み）： レーダーデータのすべての個々の部分を個別に見るのではなく、モデルはそれらを効率的にグループ化します。これは、より多くのものをより少ないスペースに収めるように、スーツケースをきっちり詰めるようなものです。
スマートな統合（トークンマージ）： モデルがデータを処理するにつれて、隣接する情報の断片を統合します。4 つの小さな写真のグリッドを取り、それらを 1 つのより大きく詳細な写真に統合することを想像してください。これにより、重要な情報を失うことなく、コンピュータが処理しなければならない作業量が削減されます。

結果

チームは、CRUWと呼ばれる現実世界の運転シナリオの巨大なデータセットで mRadNet をテストしました。

性能： 従来のどのモデルよりも正確に物体（車、歩行者、自転車乗り）を検出しました。
効率性： これは、テストされたモデルの中で最も小さく、最も軽量なモデルでありながら達成されました。必要なコンピュータパワー（FLOPs）が最も少なく、AI を賢くする内部設定である「パラメータ」の数も最も少なかったのです。

要約すると： mRadNet は、車のコンピュータチップに収まるほど小さく、かつて使われていた重くかさばるモデルよりも悪天候をよりよく見通すことができるほどスマートな、新しい軽量レーダー検出器です。マラソンを走るために巨大なバックパックが必要なのではなく、適切な装備が必要だということを証明しています。

技術概要：mRadNet

問題定義

周波数変調連続波（FMCW）レーダーは、雨、霧、雪などの悪天候に対する堅牢性により、先進運転支援システム（ADAS）においてますます重要視されています。しかし、物体検出（ROD）のためのレーダーデータ処理は、リアルタイム組込みシステムにとって特定の課題を呈しています。畳み込みニューラルネットワーク（CNN）はレーダーの無線周波（RF）画像から局所的特徴を効果的に抽出しますが、受容野が限られているため、グローバルな依存関係を捉えるのに苦慮し、許容可能な性能を達成するためにしばしば大規模で計算コストの高いモデルが必要となります。一方、Transformer ベースのモデルはグローバルな依存関係のモデル化に優れていますが、自己注意機構により高い計算コストを伴い、広範なアーキテクチャの修正なしには CNN と同様に局所的特徴を効果的に捉えられないことが多くあります。さらに、既存の解決策は、組込み自動車環境におけるモデルのコンパクト性と効率性という重要な要件を見落としていることが多いです。

手法

著者らは、効率性を念頭に設計された新規かつコンパクトなレーダー物体検出モデル「mRadNet」を提案します。このアーキテクチャは、U-Net スタイルのフレームワーク内で畳み込みニューラルネットワークと MetaFormer アーキテクチャの長所を統合しています。

1. 全体アーキテクチャ

mRadNet は、階層的な表現を生成するためのスキップ接続を備えた U-Net スタイルのエンコーダ - デコーダ構造を採用しています。

エンコーダ: 入力は、複数のフレームとチャープにわたる複素 RF 画像（レンジ - 方位）です。エンコーダは、これらを処理して短期の時間的特徴を抽出するステムを通じて、複素画像を実数値の 3 次元画像に変換します。その後、階層的な特徴抽出のために一連の MetaFormer ブロックと Transformer ブロックを利用します。
デコーダ: デコーダはエンコーダを鏡像のように反映し、特徴を洗練させるために Transformer ブロックと MetaFormer ブロックを適用します。低レベルの詳細を保持するために、エンコーダのトークンとデコーダのトークンを連結するスキップ接続を採用しています。
出力: 最終段階では、滑らかなアップサンプリングを行う線形補間を用いて信頼度マップを生成し、その後、クラス固有の信頼度マップを出力する畳み込み層を通過します。

2. 主要なアーキテクチャ構成要素

トークンミキサーを備えた MetaFormer ブロック: 自己注意または標準的な畳み込みのみに依存するのではなく、mRadNet は MetaFormer ブロックを採用しています。これらのブロックは、自己注意モジュールをトークンミキサーに置き換えます。
- 畳み込みトークンミキサー: 著者らは、トークンミキサーとして**深度別可分畳み込み（SepConv）**を利用します。これにより、標準的な畳み込みを深度別演算とポイント別演算に分解し、標準的な畳み込みと線形層の組み合わせにおける冗長性なしに、局所的特徴を効果的に捉えつつチャネル混合能力を維持します。
- 注意トークンミキサー: グローバルな依存関係を捉えるために注意機構も統合されており、モデルが局所的特徴とグローバルな特徴の抽出のバランスを取ることが可能になります。
トークン埋め込み: 専用のTokenEmbed モジュールが入力 6 次元テンソル（バッチ $\times$ 時間 $\times$ チャープ $\times$ 高さ $\times$ 幅 $\times$ チャネル）を処理します。これは、チャープ次元を結合する畳み込み層（学習可能なパラメータによる FFT 挙動を模倣）と、時空間ピクセルをトークンにグループ化する 3 次元畳み込みを使用し、位置を認識するトークン配列を作成します。
トークンマージ: 計算コストを削減し、より深いアーキテクチャを容易にするため、モデルはエンコーダ内でTokenMerging モジュールを採用しています。標準的なプーリングとは異なり、このモジュールは $2 \times 2$ の空間近傍を単一のトークンに再構成するToken Rearrange層（PixelShuffle の逆操作に類似）を使用します。これにより、空間解像度が 4 分の 1 に減少する一方でトークン次元は増加し、線形層が次元を管理可能なサイズに削減する前に情報密度が保持されます。このプロセス中、時間次元は変更されません。

主要な貢献

新規アーキテクチャ: ROD タスクに特化した MetaFormer ベースの U-Net スタイルアーキテクチャである mRadNet の提案。従来の CNN バックボーンとヘッドを、畳み込み層を含む MetaFormer ブロックに置き換えることで、局所的特徴とグローバルな特徴の両方を捉える統合された設計を実現しています。
効率的なトークン戦略: 最適化されたトークン埋め込みとトークンマージ戦略の導入。これらの戦略はトークンミキサーの有効性を促進し、モデルのコンパクト性を高め、より少ないパラメータでより深いアーキテクチャを可能にします。

実験結果

このモデルは、大規模な自動車レーダー物体検出データセットであるCRUW データセットで検証されました。

性能: mRadNet は、総合平均精度（AP）で86.72%、平均リコール（AR）で**91.18%**という最先端（SOTA）の性能を達成しました。
- 以前の SOTA モデル（E-RODNet）を AP で1.26%、AR で**1.99%**上回りました。
- 車両検出において顕著な改善を示し、時間モデル化の強化に起因して、他の手法と比較して AP が4% 以上増加しました。
- 歩行者と自転車については、局所的特徴のためのより広範な畳み込み演算に起因して E-RODNet が AP でわずかに優位でしたが、mRadNet はこれらのクラスにおいて優れた AR を達成しました。
効率性: mRadNet は、比較対象となったすべての手法（CNN、Transformer、MetaFormer）の中で、最も少ないパラメータ数と最低の FLOPsで最良の性能を達成しました。
- Transformer および MetaFormer ベースのモデルの中で、最も短いトレーニング時間と最低の推論レイテンシを示しました。
- 論文は、MetaFormer ベースのモデルは一般的に、より良い性能を達成しながらも、CNN や Transformer の対応モデルよりも小型になる傾向があると指摘しています。

意義と主張

本論文は、mRadNet がレーダー物体検出における検出精度と計算効率のトレードオフを成功裡に解決したと主張しています。MetaFormer アーキテクチャを活用することで、モデルは精度を犠牲にすることなく（サイズとコストの削減を可能にする）積極的な設計最適化を可能にする堅固な性能下限を確立します。U-Net フレームワーク内での分離可能畳み込みと注意トークンミキサーの統合は、疎でノイズの多いレーダーデータから必要な局所的特徴とグローバルな特徴を捉える上で効果的であることが証明されました。この研究は、MetaFormer がコンパクトな設計を維持しつつ、リアルタイム組込みシステムに適した ROD タスクにおいて CNN と Transformer の両方を凌駕し得ることを示しています。