在基本层面上，CNN 的工作原理是找到空间相关的相关性，即输入中经常出现的位置。出于这个原因，从极地信息创建数据的笛卡尔投影听起来是很自然的方法。

如果您的原始数据存在某种固有结构，则可以使用 CNN 之类的东西，但您必须仔细考虑架构。

以下是我脑海中闪过的一些其他想法，它们可能会帮助您集思广益或找到相关的研究论文：

• 正如您描述的方法，将极坐标数据转换为图像不仅会增加数据的维度，而且通常会增加数据的稀疏性。这使得训练像 CNN 这样的东西变得非常困难，它通常最适用于密集的信息块，比如照片。如果您的数据稀疏，您可能会考虑进行一些其他预处理，例如为投影添加模糊。

• 具有距离度量的极坐标本质上与点云相同。如果您将系列表示为扫描，而不是一组图像，而是作为 3d 点云，您可以查看诸如PointNet、PointNet++、VoxelNet 之类的模型（请参阅该链接网页底部的示例项目）。有 3d 点云中的对象检测或分割示例，这可能会为您的案例提供其他想法 - 所有这些都在 Tensorflow 或其他 DL 框架中公开可用。

• 您对数据的理解程度如何？也许一些进一步的探索或可视化可能有助于激发一些想法，或者至少为可行的方法提供更好的感觉。尝试使用 PyntCloud（示例）之类的东西绘制数据的笛卡尔坐标（如果您可以将许多帧映射到全局原点）。

您可以完美地使用具有 2D 卷积的极坐标数据，而无需进行笛卡尔转换（我并不是说它会更好）

• 制作一个网格（图像），其中行代表仰角，列代表方位角
• 然后，使用以下三个参数中的两个，您将获得第三个参数：角度限制、角度分辨率、像素数
• 映射您的极坐标 $p(\phi,\theta)$ 到像素坐标 $(h,w)$

例子：

• 海拔（$\phi$) 限制 = [-45,45]º
• azimuht_limits ($\theta$) = [0,180]º
• 海拔分辨率 $\Delta\phi$ = 1º
• 方位角分辨率 $\Delta\theta$ = 0.5º

因此，

• 行数 H = 90/1 = 90 像素
• 列数 W = 180/0.5 = 360 像素

你最终得到一个 90x360 像素的图像。

然后你需要一个映射函数 $p(\phi,\theta)$ 极坐标为 $(h,w)$ 像素位置，函数由下式给出：

$\newcommand{\floor}[1]{\left\lfloor #1 \right\rfloor} h = \floor{\frac{\phi}{\Delta\phi}} ,$

$w = \floor{\frac{\theta}{\Delta\theta}}$

让我们以我们的例子为例，

$p(\phi,\theta) = (32.1º, 125.2º) \rightarrow (h,w) = 32, 250$