#mID: Tracking and Identifying People with Millimeter Wave Radar
投稿2019.3, cite25
http://www.cs.ox.ac.uk/files/10889/%5BDCOSS19%5DmID.pdf
目的：人認証
クラスタリング：DBScan
追跡：Hungarian algorithm (+カルマンフィルタ)
人の識別：point cloudから3次元の占有グリッドを形成。これをフラットにしてLSTMに入力。（複数フレーム分）
データ作成：手動でラベル付したとあるがあまりイメージ湧かず。。。
#RadHAR: Human Activity Recognition from Point Clouds Generated through a Millimeter-wave Radar
投稿2019.10, cite17
https://dl.acm.org/doi/pdf/10.1145/3349624.3356768
code: https://github.com/nesl/RadHAR
目的：行動認識
手法：ボクセル化して占有グリッドとして表現してDNNに入れるあたりは上のと同じ。SVM,MLP,LSTMなどを実験
データ作成：歩行、ジャンプなど５つについて、それぞれ同じ活動を行っている被験者の約20秒間撮影と記載。なので時間方向や空間方向に邪魔なものが映ってしまうことは考慮していない？
#mm-Pose: Real-Time Human Skeletal Posture Estimation using mmWave Radars and CNNs
投稿2019.11, cite12
https://arxiv.org/pdf/1911.09592.pdf
code空？: https://github.com/radar-lab/mmpose
目的：姿勢推定
手法：3Dのpoint?ボクセル?を2D画像2枚に変換して、CNNに入れる
データ作成：レーダのデータ取得とkinectを同期させて取得。kinect+手動で骨格アノテ？を正解データにして、レーダーデータを入力にして学習。
#Point Cloud Features-Based Kernel SVM for Human-Vehicle Classification in Millimeter Wave Radar
投稿2020.2, cite4
https://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=8979449
目的：人と車の分類（3Dでなく2D point cloud？）
クラスタリング：DBSCAN
特徴抽出：点群の数、速度などの11次元の特徴量をクラスタリングした後のデータから抽出
学習：SVM
この手法が他論文と比べて多分一番早い。（∵11次元まで小さくしているから）
#その他（ミリ波以外）
point cloud 全般の分析まとめ
https://github.com/Yochengliu/awesome-point-cloud-analysis