في خطوة جديدة نحو تحسين دقة تصنيف بيانات الرادار، تقدم دراسة منشورة في arXiv أساليب مبتكرة للتعامل مع التحديات التي تواجه تحليل البيانات في الظروف الجوية القاسية والبيئات المظلمة. تعتمد معظم الطرق الحالية على ترميز قائم على الشبكات التبادلية، ما يؤدي إلى صعوبة في التقاط الهيكل العلاقات العليا المتكونة من عوائد متعددة لرادار ذات جسم مادي واحد.

لذلك، تم تطوير إطار عمل متكامل للتناسق الهيكلي الأعلى لتحليل بيانات الرادار من زوايا متعددة. تعتمد هذه الطريقة الجديدة على تحسين تمثيلات ميزات الرادار باستخدام الرسوم البيانية القابلة للتعلم، مما يمكّن من التقاط الارتباطات العليا بين الاستجابات المكانيّة المرتبطة.

بالإضافة إلى ذلك، تم استخدام النقل الأمثل غير المتوازن (Unbalanced Optimal Transport - UOT) لمحاذاة الميزات المحددة لكل عرض، مما يساهم في تحسين العلاقات البيانية تحت تغيرات الكثافة والقياسات الجزئية. ثم يستخدم نظام الانتباه التكيفي لدمج وجهات نظر الرادار المختلفة مع التأكيد على الاستجابات الهامة هيكليًا رغم القلة والضوضاء.

الهيكل الناتج يتعلم تمثيلات هيكلية متسقة من زوايا مختلفة مثل زاوية النطاق (Range Angle - RA)، ونطاق دوبلر (Range Doppler - RD)، وزاوية دوبلر (Angle Doppler - AD). وقد أثبتت الاختبارات على معيار CARRADA وRADIal أداءً متفوقاً، حيث حققت نسبة 63.8% و83.4% من دقة تصنيفات المقياس المتوازن (mIoU) على التوالي، مما يبرز أهمية نمذجة العلاقات العليا لتحسين إدراك الرادار.