연구진은 악천후 속에서도 안정적인 인지 기능을 제공하는 레이더 센서의 의미론적 분할 문제를 해결하기 위해 새로운 프레임워크를 제안했어요.
제안된 방법은 레이더 응답 간의 고차 의존성을 포착하기 위해 학습 가능한 하이퍼그래프를 활용하고, 불균형 최적 수송(UOT)을 통해 이질적인 레이더 투영 간의 특징을 정렬해요.
CARRADA 및 RADIal 벤치마크에서 기존 레이더 기반 방법보다 성능이 향상되어 CARRADA에서 63.8% mIoU, RADIal에서 83.4% mIoU를 달성했어요.
연구 결과는 구조적 관계 모델링의 중요성을 강조하며, 레이더 인지 분야에 기여할 것으로 기대돼요.