KR102272411B1 - Method and apparatus for learning artificial nearal network to improve the target recognition of simulation-image database in sar image - Google Patents

Method and apparatus for learning artificial nearal network to improve the target recognition of simulation-image database in sar image Download PDF

Info

Publication number
KR102272411B1
KR102272411B1 KR1020200101403A KR20200101403A KR102272411B1 KR 102272411 B1 KR102272411 B1 KR 102272411B1 KR 1020200101403 A KR1020200101403 A KR 1020200101403A KR 20200101403 A KR20200101403 A KR 20200101403A KR 102272411 B1 KR102272411 B1 KR 102272411B1
Authority
KR
South Korea
Prior art keywords
image
neural network
simulation
synthetic aperture
aperture radar
Prior art date
Application number
KR1020200101403A
Other languages
Korean (ko)
Inventor
서승모
최여름
임호
채대영
Original Assignee
국방과학연구소
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 국방과학연구소 filed Critical 국방과학연구소
Priority to KR1020200101403A priority Critical patent/KR102272411B1/en
Application granted granted Critical
Publication of KR102272411B1 publication Critical patent/KR102272411B1/en

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/08Learning methods
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01SRADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88Radar or analogous systems specially adapted for specific applications
    • G01S13/89Radar or analogous systems specially adapted for specific applications for mapping or imaging
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/04Architecture, e.g. interconnection topology
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/10Interfaces, programming languages or software development kits, e.g. for simulating neural networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Remote Sensing (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Electromagnetism (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Image Analysis (AREA)

Abstract

An artificial neural network learning method according to one embodiment of the present invention may include: a step of acquiring an actual measurement synthetic aperture radar image; a step of constructing a simulation image database including an image generated by using a very high frequency technique; a step of generating a similar image by inputting the actual measurement synthetic aperture radar image to a cycle GAN; and a step of learning a neural network of a CNN structure using a plurality of images included in the similar image and the simulation image database. Therefore, the present invention is capable of allowing a simulation-like image to be generated.

Description

합성 개구면 레이더 영상의 시뮬레이션 영상 데이터베이스의 식별률을 높이기 위한 인공신경망 학습 방법 및 그 장치{METHOD AND APPARATUS FOR LEARNING ARTIFICIAL NEARAL NETWORK TO IMPROVE THE TARGET RECOGNITION OF SIMULATION-IMAGE DATABASE IN SAR IMAGE}Artificial neural network learning method and apparatus for increasing the identification rate of simulation image database of synthetic aperture radar images

본 발명은 합성 개구면 레이더 영상의 시뮬레이션 영상 데이터베이스의 식별률을 높이기 위한 인공신경망 학습 방법 및 장치에 관한 것으로, 보다 자세하게는 합성 개구면 레이더 영상에서 시뮬레이션 영상 데이터베이스의 식별률을 높이기 위한 싸이클 간을 이용한 측정영상 학습기법에 관한 것이다.The present invention relates to an artificial neural network learning method and apparatus for increasing the identification rate of a simulation image database of a synthetic aperture radar image, and more particularly, using a cycle for increasing the identification rate of a simulation image database in a synthetic aperture radar image. It is about measurement image learning technique.

SAR (Synthetic Aperture Radar)를 이용하여 표적을 자동으로 탐지하고 식별 (recognition) 하는 ATR (Automatic Target Recognition) 기술이 발전해 왔다. 하지만, 표적 식별을 위해서는 측정영상으로 추출한 표적을 데이터베이스 (Database) 구성하는 것은 현실적으로 어려운 상황이다. 다양한 고각과 방위각에서 표적의 영상을 획득하는 것은 쉬운 일이 아니다. 더불어, 주위의 다양한 클러터(예를 들어, 건물 같은 인공물, 자연물, 지표면)에 의해 반사되어 들어온 표적의 특성은 표적만의 반사 특성과는 다른 양상을 나타낸다. 충분하지 않은 데이터베이스를 보충하기 위해서 인터넷 모델이나 사진과 같은 간접 정보로 생성된 CAD 모델을 기반으로 전자파 수치해석 (Method of Moments, Finite Element Mehtod, Finite Difference Time Domain, High Frequency Methods)으로 시뮬레이션하여 데이터베이스로 구성하는 연구가 진행되고 있다. MoM, FEM, FDTD 같은 전파 (Full-wave) 방식의 기법들은 SAR 측정장비의 분해능과 X대역의 수치해석은 현재의 계산능력 (예를 들어, CPU 시간과 메모리)으로는 매우 제한적인 상황이다. 따라서 초고주파 기법을 이용한 방법들이 대부분 수행되고 있으나 정확도는 보장하기 어려운 상황이다. 또한 CAD 모델 제작의 정확도도 고주파에서 전자파 수치해석을 이용해서 영상을 제작하는데 제한적인 요소로 파악되고 있다. ATR (Automatic Target Recognition) technology for automatically detecting and recognizing a target using SAR (Synthetic Aperture Radar) has been developed. However, for target identification, it is practically difficult to construct a database of targets extracted from measurement images. Acquiring images of targets at various elevations and azimuths is not an easy task. In addition, the characteristics of the target reflected by various surrounding clutter (eg, an artificial object such as a building, a natural object, or the ground surface) shows a different aspect from the reflection characteristic of the target alone. In order to supplement the insufficient database, it is simulated with an electromagnetic wave numerical analysis (Method of Moments, Finite Element Mehtod, Finite Difference Time Domain, High Frequency Methods) based on a CAD model created with indirect information such as an Internet model or a photo, Research on the composition is in progress. For full-wave methods such as MoM, FEM, and FDTD, the resolution of the SAR measurement equipment and the numerical analysis of the X-band are very limited with the current computational power (eg, CPU time and memory). Therefore, most of the methods using the very high frequency technique are being performed, but the accuracy is difficult to guarantee. In addition, the accuracy of CAD model production is also recognized as a limiting factor in producing images using electromagnetic wave numerical analysis at high frequencies.

이러한 전자파 수치해석을 통해 생성된 시뮬레이션 영상 데이터베이스는 표적을 자동으로 식별하는데 성능의 제한을 주고 있는 실정이다. 이러한 문제를 해결하기 위해서 영상의 산란점을 이용하는 표적식별 연구가 진행되고 있고 복잡한 전처리 기법을 수행하고 있으나 식별 성능을 보장하기는 어려운 상황이다. The simulation image database generated through the electromagnetic wave numerical analysis has limitations in performance in automatically identifying the target. In order to solve this problem, target identification research using the scattering point of the image is being conducted and a complex preprocessing technique is being performed, but it is difficult to guarantee identification performance.

본 발명의 일 실시예에 따르면 측정 SAR 영상에 대하여 싸이클 간을 이용해서 시뮬레이션 유사 영상을 생성할 수 있다.According to an embodiment of the present invention, a simulation-like image may be generated using an interval between cycles for the measured SAR image.

일 실시예에서 컴퓨팅 장치에 의해 수행되는 인공신경망 학습 방법은, 실측 합성 개구면 레이더 영상을 획득하는 단계, 초고주파 기법을 이용하여 생성된 영상을 포함하는 시뮬레이션 영상 데이터베이스를 구축하는 단계, 상기 실측 합성 개구면 레이더 영상을 싸이클 간(Cycle GAN)에 입력하여 유사 영상을 생성하는 단계 및 상기 유사 영상 및 상기 시뮬레이션 영상 데이터베이스에 포함된 복수의 영상을 이용하여 CNN 구조의 신경망을 학습시키는 단계를 포함할 수 있다.In one embodiment, the artificial neural network learning method performed by the computing device includes the steps of: acquiring a measured synthetic aperture radar image; building a simulation image database including an image generated using a very high frequency technique; It may include generating a similar image by inputting a spherical radar image to a cycle GAN, and learning a neural network of a CNN structure using the similar image and a plurality of images included in the simulation image database. .

일 실시예에서 상기 시뮬레이션 영상 데이터베이스를 구축하는 단계는, 상기 실측 합성 개구면 레이더 영상을 이용하여 추출한 표적에 대하여, SBR(Shooting and Bouncing Rays) 기법을 이용하여 상기 시뮬레이션 영상 데이터베이스를 구축하는 단계를 포함할 수 있다.In an embodiment, the step of constructing the simulation image database includes constructing the simulation image database by using a Shooting and Bouncing Rays (SBR) technique for a target extracted using the measured synthetic aperture radar image. can do.

일 실시예에서 상기 시뮬레이션 영상 데이터베이스를 구축하는 단계는, 초고주파 기법을 이용하여 각각의 표적에 대하여 지정된 고각 및 지정된 방위각 간격의 복수의 표적 영상을 포함하는 시뮬레이션 영상 데이터베이스를 생성하는 단계를 포함할 수 있다.In an embodiment, the step of constructing the simulation image database may include generating a simulation image database including a plurality of target images having a specified elevation angle and a specified azimuth interval for each target using a very high frequency technique. .

일 실시예에서 상기 학습된 CNN 구조의 신경망을 이용하여 실측 합성 개구면 레이더 영상에 포함된 표적을 식별하는 단계를 포함할 수 있다.In an embodiment, the method may include identifying a target included in the actually measured synthetic aperture radar image by using the learned neural network of the CNN structure.

본 발명의 다른 실시예에 따른 인공신경망 학습 장치는 프로세서를 포함하고, 상기 프로세서는, 실측 합성 개구면 레이더 영상을 획득하고, 초고주파 기법을 이용하여 생성된 영상을 포함하는 시뮬레이션 영상 데이터베이스를 구축하며, 상기 실측 합성 개구면 레이더 영상을 싸이클 간(Cycle GAN)에 입력하여 유사 영상을 생성하고, 상기 유사 영상 및 상기 시뮬레이션 영상 데이터베이스에 포함된 복수의 영상을 이용하여 CNN 구조의 신경망을 학습시킬 수 있다.An artificial neural network learning apparatus according to another embodiment of the present invention includes a processor, wherein the processor acquires a measured synthetic aperture radar image, and builds a simulation image database including an image generated using a very high frequency technique, A similar image may be generated by inputting the measured synthetic aperture radar image to a cycle GAN, and a neural network of a CNN structure may be trained using the similar image and a plurality of images included in the simulation image database.

일 실시예에서 상기 실측 합성 개구면 레이더 영상을 이용하여 추출한 표적에 대하여, SBR(Shooting and Bouncing Rays) 기법을 이용하여 상기 시뮬레이션 영상 데이터베이스를 구축할 수 있다.In an embodiment, the simulation image database may be constructed using a Shooting and Bouncing Rays (SBR) technique with respect to a target extracted using the measured synthetic aperture radar image.

일 실시예에서 상기 프로세서는, 초고주파 기법을 이용하여 각각의 표적에 대하여 지정된 고각 및 지정된 방위각 간격의 복수의 표적 영상을 포함하는 시뮬레이션 영상 데이터베이스를 생성할 수 있다.In an embodiment, the processor may generate a simulation image database including a plurality of target images having a designated elevation angle and a designated azimuth angle interval for each target by using a very high frequency technique.

일 실시예에서 인공신경망 학습 장치는 상기 학습된 CNN 구조의 신경망을 이용하여 실측 합성 개구면 레이더 영상에 포함된 표적을 식별할 수 있다.In an embodiment, the artificial neural network learning apparatus may identify a target included in the actually measured synthetic aperture radar image by using the learned neural network of the CNN structure.

도 1은 실측 합성 개구면 레이더 영상을 이용하여 인공신경망을 학습하는 방법을 설명하기 위한 도면이다.
도 2는 본 발명의 일 실시예에 따른 인공신경망 학습장치의 구성 및 동작을 설명하기 위한 도면이다.
도 3은 본 발명의 일 실시예에 따른 인공신경망 학습장치의 프로세서 구성을 설명하기 위한 도면이다.
도 4는 본 발명의 일 실시예에 따른 인공신경망 학습방법의 순서도이다.
도 5 및 도 6은 도 1에 도시된 종래 기술에 따라 학습된 인공신경망의 시뮬레이션 결과의 일 실험예를 설명하기 위한 도면이다.
도 7은 본 발명의 일 실시예에 따른 인공신경망 학습 방법을 설명하기 위한 도면이다.
도 8은 본 발명의 일 실시예에 따라 학습된 인공신경망의 시뮬레이션 결과의 일 실험예를 설명하기 위한 도면이다.
도 9는 본 발명의 효과를 설명하기 위한 도면이다.
1 is a diagram for explaining a method of learning an artificial neural network using an actually measured synthetic aperture radar image.
2 is a diagram for explaining the configuration and operation of an artificial neural network learning apparatus according to an embodiment of the present invention.
3 is a diagram for explaining the configuration of a processor of an artificial neural network learning apparatus according to an embodiment of the present invention.
4 is a flowchart of an artificial neural network learning method according to an embodiment of the present invention.
5 and 6 are diagrams for explaining an experimental example of a simulation result of an artificial neural network learned according to the prior art shown in FIG. 1 .
7 is a diagram for explaining an artificial neural network learning method according to an embodiment of the present invention.
8 is a diagram for explaining an experimental example of a simulation result of an artificial neural network learned according to an embodiment of the present invention.
9 is a view for explaining the effect of the present invention.

본 실시예들에서 사용되는 용어는 본 실시예들에서의 기능을 고려하면서 가능한 현재 널리 사용되는 일반적인 용어들을 선택하였으나, 이는 당 분야에 종사하는 기술자의 의도 또는 판례, 새로운 기술의 출현 등에 따라 달라질 수 있다. 또한, 특정한 경우는 출원인이 임의로 선정한 용어도 있으며, 이 경우 해당되는 부분에서 상세히 그 의미를 기재할 것이다. 따라서, 본 실시예들에서 사용되는 용어는 단순한 용어의 명칭이 아닌, 그 용어가 가지는 의미와 본 실시예들 전반에 걸친 내용을 토대로 정의되어야 한다. The terms used in the present embodiments have been selected as currently widely used general terms as possible while considering the functions in the present embodiments, which may vary depending on the intention or precedent of a person skilled in the art, the emergence of new technology, etc. have. In addition, in a specific case, there is a term arbitrarily selected by the applicant, and in this case, the meaning will be described in detail in the relevant part. Therefore, the terms used in the present embodiments should be defined based on the meaning of the term and the contents throughout the present embodiments, rather than the simple name of the term.

본 실시예들은 다양한 변경을 가할 수 있고 여러 가지 형태를 가질 수 있는바, 일부 실시예들을 도면에 예시하고 상세하게 설명하고자 한다. 그러나, 이는 본 실시예들을 특정한 개시형태에 대해 한정하려는 것이 아니며, 본 실시예들의 사상 및 기술범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 본 명세서에서 사용한 용어들은 단지 실시예들의 설명을 위해 사용된 것으로, 본 실시예들을 한정하려는 의도가 아니다.Since the present embodiments may have various changes and may have various forms, some embodiments will be illustrated in the drawings and described in detail. However, this is not intended to limit the present embodiments to a specific disclosed form, and it should be understood to include all modifications, equivalents and substitutes included in the spirit and scope of the present embodiments. The terms used herein are used only for description of the embodiments, and are not intended to limit the present embodiments.

본 실시예들에 사용되는 용어들은 다르게 정의되지 않는 한, 본 실시예들이 속하는 기술분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미가 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 실시예들에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않아야 한다.Unless otherwise defined, terms used in the present embodiments have the same meanings as commonly understood by those of ordinary skill in the art to which the present embodiments belong. Terms such as those defined in commonly used dictionaries should be interpreted as having meanings consistent with the meanings in the context of the related art, and unless explicitly defined in the present embodiments, they have an ideal or excessively formal meaning. should not be interpreted.

이하에서는 후술하는 본 발명에 대한 상세한 설명은, 본 발명이 실시될 수 있는 특정 실시예를 예시로서 도시하는 첨부 도면을 참조한다. 이러한 실시예는 당업자가 본 발명을 실시할 수 있기에 충분하도록 상세히 설명된다. 본 발명의 다양한 실시예는 서로 다르지만 상호 배타적일 필요는 없음이 이해되어야 한다. 예를 들어, 본 명세서에 기재되어 있는 특정 형상, 구조 및 특성은 본 발명의 정신과 범위를 벗어나지 않으면서 일 실시예로부터 다른 실시예로 변경되어 구현될 수 있다. 또한, 각각의 실시예 내의 개별 구성요소의 위치 또는 배치도 본 발명의 정신과 범위를 벗어나지 않으면서 변경될 수 있음이 이해되어야 한다. 따라서, 후술하는 상세한 설명은 한정적인 의미로서 행하여지는 것이 아니며, 본 발명의 범위는 특허청구범위의 청구항들이 청구하는 범위 및 그와 균등한 모든 범위를 포괄하는 것으로 받아들여져야 한다. 도면에서 유사한 참조부호는 여러 측면에 걸쳐서 동일하거나 유사한 구성요소를 나타낸다.DETAILED DESCRIPTION OF THE PREFERRED EMBODIMENTS In the following detailed description of the present invention, reference is made to the accompanying drawings which show by way of illustration specific embodiments in which the present invention may be practiced. These embodiments are described in sufficient detail to enable those skilled in the art to practice the present invention. It should be understood that the various embodiments of the present invention are different but need not be mutually exclusive. For example, certain shapes, structures, and characteristics described herein may be implemented with changes from one embodiment to another without departing from the spirit and scope of the present invention. In addition, it should be understood that the location or arrangement of individual components within each embodiment may be changed without departing from the spirit and scope of the present invention. Accordingly, the following detailed description is not to be taken in a limiting sense, and the scope of the present invention should be taken as encompassing the scope of the claims and all equivalents thereto. In the drawings, like reference numerals refer to the same or similar elements throughout the various aspects.

이하에서는, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 본 발명을 용이하게 실시할 수 있도록 하기 위하여, 본 발명의 여러 실시예에 관하여 첨부된 도면을 참조하여 상세히 설명하기로 한다.Hereinafter, various embodiments of the present invention will be described in detail with reference to the accompanying drawings in order to enable those of ordinary skill in the art to easily practice the present invention.

이하 도 1을 참조하여 실측 합성 개구면 레이더 영상을 이용하여 인공신경망을 학습하는 방법에 대하여 상세히 설명한다.Hereinafter, a method of learning an artificial neural network using a measured synthetic aperture radar image will be described in detail with reference to FIG. 1 .

도 1은 딥러닝 네트워크에서 시뮬레이션 영상 데이터베이스(20)를 이용하여 실측영상을 훈련하고 식별하는 기존방식의 딥러닝 기법을 나타낸다. 시뮬레이션 영상 데이터베이스는 초고주파 기법(10) 중의 하나인 SBR (Shooting and Bouncing Rays)을 이용하여 시뮬레이션 영상 데이터베이스(20)를 구성할 수 있다. 시뮬레이션 영상 데이터베이스(20)의 구성은 각각의 표적에 대하여 고각 2도, 방위각 2도의 간격으로 구성될 수 있다. 딥러닝 네트워크(40)는 VGG을 이용할 수 있다. 딥러닝 네트워크(40)의 테스트는 실측으로 획득된 SAR 영상(30)을 시뮬레이션으로 구축된 SAR 영상 데이터베이스와의 식별을 통해 수행된다. 1 shows an existing deep learning technique for training and identifying an actual measurement image using a simulation image database 20 in a deep learning network. The simulation image database may configure the simulation image database 20 by using Shooting and Bouncing Rays (SBR), which is one of the very high frequency techniques 10 . The configuration of the simulation image database 20 may be configured at intervals of 2 degrees in elevation and 2 degrees in azimuth for each target. The deep learning network 40 may use VGG. The test of the deep learning network 40 is performed through the identification of the SAR image 30 acquired through the actual measurement with the SAR image database constructed by simulation.

하지만 전술한 초고주파 기법을 이용하여 구축된 시뮬레이션 영상 데이터베이스의 정확도는 보장하기 어렵다는 문제가 존재한다. 후술되는 본 발명의 몇몇 실시예에 따른 인공신경망 학습 방법에 따라 학습된 딥러닝 네트워크의 경우 도 1에 도시된 실시예보다 예측 결과(50)에 대한 높은 식별률을 보장할 수 있다.However, there is a problem in that it is difficult to guarantee the accuracy of the simulation image database constructed using the above-described very high frequency technique. In the case of a deep learning network trained according to an artificial neural network learning method according to some embodiments of the present invention, which will be described later, a higher identification rate for the prediction result 50 may be guaranteed than in the embodiment shown in FIG. 1 .

도 2는 본 발명의 일 실시예에 따른 인공신경망 학습장치의 구성 및 동작을 설명하기 위한 도면이다.2 is a diagram for explaining the configuration and operation of an artificial neural network learning apparatus according to an embodiment of the present invention.

일 실시예에서 인공신경망 학습 서버(100)는 메모리(101), 프로세서(102), 통신 모듈(103) 및 입출력 인터페이스(104)를 포함할 수 있다. In an embodiment, the artificial neural network learning server 100 may include a memory 101 , a processor 102 , a communication module 103 , and an input/output interface 104 .

메모리(101)는 컴퓨터에서 판독 가능한 기록 매체로서, RAM(random access memory), ROM(read only memory) 및 디스크 드라이브와 같은 비소멸성 대용량 기록장치(permanent mass storage device)를 포함할 수 있다. 또한, 메모리(101)에는 인공신경망 학습 서버(100)를 제어하기 위한 프로그램 코드 및 설정, 점군 데이터 및 표면 정보가 일시적 또는 영구적으로 저장될 수 있다.The memory 101 is a computer-readable recording medium and may include a random access memory (RAM), a read only memory (ROM), and a permanent mass storage device such as a disk drive. In addition, the memory 101 may temporarily or permanently store program codes and settings for controlling the artificial neural network learning server 100 , point cloud data, and surface information.

프로세서(102)는 기본적인 산술, 로직 및 입출력 연산을 수행함으로써, 컴퓨터 프로그램의 명령을 처리하도록 구성될 수 있다. 명령은 메모리(101) 또는 통신 모듈(103)에 의해 프로세서(102)로 제공될 수 있다. 예를 들어 프로세서(102)는 메모리(101)와 같은 기록 장치에 저장된 프로그램 코드에 따라 수신되는 명령을 실행하도록 구성될 수 있다. 일 실시예에서 인공신경망 학습 서버(100)의 프로세서(102)는 실측 합성 개구면 레이더 영상을 획득하고, 초고주파 기법을 이용하여 생성된 영상을 포함하는 시뮬레이션 영상 데이터베이스를 구축하며, 상기 실측 합성 개구면 레이더 영상을 싸이클 간(Cycle GAN)에 입력하여 유사 영상을 생성하고, 상기 유사 영상 및 상기 시뮬레이션 영상 데이터베이스에 포함된 복수의 영상을 이용하여 CNN 구조의 신경망을 학습시킬 수 있다.The processor 102 may be configured to process instructions of a computer program by performing basic arithmetic, logic, and input/output operations. The instructions may be provided to the processor 102 by the memory 101 or the communication module 103 . For example, the processor 102 may be configured to execute instructions received according to program code stored in a recording device, such as the memory 101 . In an embodiment, the processor 102 of the artificial neural network learning server 100 acquires a measured synthetic aperture radar image, builds a simulation image database including an image generated using a very high frequency technique, and the measured synthetic aperture A radar image may be input to a cycle GAN to generate a similar image, and a neural network of a CNN structure may be trained using the similar image and a plurality of images included in the simulation image database.

통신 모듈(103)은 네트워크를 통해 외부 서버와 통신하기 위한 기능을 제공할 수 있다. 일례로, 인공신경망 학습 서버(100)의 프로세서(102)가 메모리(101)와 같은 기록 장치에 저장된 프로그램 코드에 따라 생성한 요청이 통신 모듈(103)의 제어에 따라 네트워크를 통해 외부 서버로 전달될 수 있다. 역으로, 외부 서버의 프로세서의 제어에 따라 제공되는 제어 신호나 명령, 컨텐츠, 파일 등이 네트워크를 거쳐 통신 모듈(103)을 통해 인공신경망 학습 서버(100)로 수신될 수 있다. 예를 들어 통신 모듈(103)을 통해 수신된 외부 서버의 제어 신호나 명령 등은 프로세서(102)나 메모리(101)로 전달될 수 있고, 컨텐츠나 파일 등은 인공신경망 학습 서버(100)가 더 포함할 수 있는 저장 매체로 저장될 수 있다. The communication module 103 may provide a function for communicating with an external server through a network. For example, a request generated by the processor 102 of the artificial neural network learning server 100 according to a program code stored in a recording device such as the memory 101 is transmitted to an external server through a network under the control of the communication module 103 . can be Conversely, a control signal, command, content, file, etc. provided under the control of the processor of the external server may be received by the artificial neural network learning server 100 through the communication module 103 through the network. For example, a control signal or command of an external server received through the communication module 103 may be transmitted to the processor 102 or the memory 101 , and the content or file may be further transmitted by the artificial neural network learning server 100 . It may be stored in a storage medium that may include.

통신 방식은 제한되지 않으며, 네트워크가 포함할 수 있는 통신망(일례로, 이동통신망, 유선 인터넷, 무선 인터넷, 방송망)을 활용하는 통신 방식뿐만 아니라 기기들간의 근거리 무선 통신 역시 포함될 수 있다. 예를 들어, 네트워크는, PAN(personal area network), LAN(local area network), CAN(campus area network), MAN(metropolitan area network), WAN(wide area network), BBN(broa데이터베이스and network), 인터넷 등의 네트워크 중 하나 이상의 임의의 네트워크를 포함할 수 있다. 또한, 네트워크는 버스 네트워크, 스타 네트워크, 링 네트워크, 메쉬 네트워크, 스타-버스 네트워크, 트리 또는 계층적(hierarchical) 네트워크 등을 포함하는 네트워크 토폴로지 중 임의의 하나 이상을 포함할 수 있으나, 이에 제한되지 않는다.The communication method is not limited, and not only a communication method using a communication network (eg, a mobile communication network, a wired Internet, a wireless Internet, a broadcasting network) that the network may include, but also short-range wireless communication between devices may be included. For example, the network includes a personal area network (PAN), a local area network (LAN), a campus area network (CAN), a metropolitan area network (MAN), a wide area network (WAN), a broadcast database and network (BBN), may include any one or more of the networks, such as the Internet. Further, the network may include, but is not limited to, any one or more of a network topology including, but not limited to, a bus network, a star network, a ring network, a mesh network, a star-bus network, a tree or a hierarchical network, and the like. .

또한, 통신 모듈(103)은 외부 서버와 네트워크를 통해 통신할 수 있다. 통신 방식은 제한되지 않지만, 네트워크는 근거리 무선통신망일 수 있다. 예를 들어, 네트워크는 블루투스(Bluetooth), BLE(Bluetooth Low Energy), Wifi 통신망일 수 있다. Also, the communication module 103 may communicate with an external server through a network. Although the communication method is not limited, the network may be a local area wireless network. For example, the network may be a Bluetooth (Bluetooth), BLE (Bluetooth Low Energy), or Wifi communication network.

입출력 인터페이스(104)는 입출력 장치와의 인터페이스를 위한 수단일 수 있다. 예를 들어, 입력 장치는 키보드 또는 마우스 등의 장치를, 그리고 출력 장치는 어플리케이션의 통신 세션을 표시하기 위한 디스플레이와 같은 장치를 포함할 수 있다. 다른 예로 입출력 인터페이스(104)는 터치스크린과 같이 입력과 출력을 위한 기능이 하나로 통합된 장치와의 인터페이스를 위한 수단일 수도 있다. 보다 구체적인 예로, 인공신경망 학습 서버(100)의 프로세서(102)는 메모리(101)에 로딩된 컴퓨터 프로그램의 명령을 처리함에 있어서 외부 서버가 제공하는 데이터를 이용하여 구성되는 서비스 화면이나 컨텐츠가 입출력 인터페이스(104)를 통해 디스플레이에 표시될 수 있다.The input/output interface 104 may be a means for interfacing with an input/output device. For example, the input device may include a device such as a keyboard or mouse, and the output device may include a device such as a display for displaying a communication session of an application. As another example, the input/output interface 104 may be a means for an interface with a device in which functions for input and output are integrated into one, such as a touch screen. As a more specific example, the processor 102 of the artificial neural network learning server 100 processes the command of the computer program loaded in the memory 101, and the service screen or content configured using the data provided by the external server is an input/output interface. may be displayed on the display via 104 .

또한, 다른 실시예들에서 인공신경망 학습 서버(100)는 도 1의 구성요소들보다 더 많은 구성요소들을 포함할 수도 있다. 그러나, 대부분의 종래기술적 구성요소들을 명확하게 도시할 필요성은 없다. 예를 들어, 인공신경망 학습 서버(100)는 인공신경망 학습 서버의 내부 구성요소들에 전력을 공급하는 배터리 및 충전 장치를 포함할 수 있고, 상술한 입출력 장치 중 적어도 일부를 포함하도록 구현되거나 또는 트랜시버(transceiver), GPS(Global Positioning System) 모듈, 각종 센서, 데이터베이스 등과 같은 다른 구성요소들을 더 포함할 수도 있다.In addition, in other embodiments, the artificial neural network learning server 100 may include more components than those of FIG. 1 . However, there is no need to clearly show most of the prior art components. For example, the artificial neural network learning server 100 may include a battery and a charging device for supplying power to internal components of the artificial neural network learning server, and is implemented to include at least some of the above-described input/output devices or a transceiver. It may further include other components such as a transceiver, a global positioning system (GPS) module, various sensors, and a database.

이하 도 3를 참조하여 본 발명의 일 실시예에 따른 인공신경망 학습 서버의 프로세서의 내부 구성에 대하여 상세히 검토한다. 후술되는 프로세서는 이해의 용이를 위하여 도21에 도시된 인공신경망 학습 서버(100)의 프로세서(102)임을 가정하고 설명하나, 일 실시예에서 인공신경망의 학습이 외부 서버에서 수행되는 경우 후술되는 프로세서는 상술한 외부 서버의 프로세서일 수 있음에 유의한다.Hereinafter, the internal configuration of the processor of the artificial neural network learning server according to an embodiment of the present invention will be reviewed in detail with reference to FIG. 3 . For ease of understanding, it is assumed that the following processor is the processor 102 of the artificial neural network learning server 100 shown in FIG. 21, but in an embodiment, the processor described later when learning of the artificial neural network is performed in an external server Note that may be a processor of the above-described external server.

본 발명의 일 실시예에 따른 인공신경망 학습 서버의 프로세서(102)는 SAR 영상 획득부(111), 데이터베이스 구축부(112), 유사 영상 생성부(113), 신경망 학습부(114) 및 표적 식별부(115)를 포함한다. 몇몇 실시예에 따라 프로세서(102)의 구성요소들은 선택적으로 프로세서(102)에 포함되거나 제외될 수도 있다. 또한, 몇몇 실시예에 따라 프로세서(102)의 구성요소들은 프로세서(102)의 기능의 표현을 위해 분리 또는 병합될 수도 있다.The processor 102 of the artificial neural network learning server according to an embodiment of the present invention includes the SAR image acquisition unit 111 , the database construction unit 112 , the similar image generation unit 113 , the neural network learning unit 114 and the target identification. part 115 . According to some embodiments, components of the processor 102 may be selectively included or excluded from the processor 102 . In addition, according to some embodiments, components of the processor 102 may be separated or merged to represent the functionality of the processor 102 .

이러한 프로세서(102) 및 프로세서(102)의 구성요소들은 도 4 의 인공신경망 학습방법이 포함하는 단계들(S110 내지 S150)을 수행하도록 인공신경망 학습 서버(100)를 제어할 수 있다. 예를 들어, 프로세서(102) 및 프로세서(102)의 구성요소들은 메모리(101)가 포함하는 운영체제의 코드와 적어도 하나의 프로그램의 코드에 따른 명령(instruction)을 실행하도ㅊ록 구현될 수 있다. 여기서, 프로세서(102)의 구성요소들은 인공신경망 학습 서버(100)에 저장된 프로그램 코드가 제공하는 명령에 따라 프로세서(102)에 의해 수행되는 프로세서(102)의 서로 다른 기능들(different functions)의 표현들일 수 있다. 프로세서(102)의 내부 구성 및 구체적인 동작에 대해서는 도 4의 인공신경망 학습방법의 순서도 및 도 7 내지 도 9 의 실시예를 참조하여 설명하기로 한다.The processor 102 and the components of the processor 102 may control the artificial neural network learning server 100 to perform the steps S110 to S150 included in the artificial neural network learning method of FIG. 4 . For example, the processor 102 and the components of the processor 102 may be implemented to execute instructions according to the code of the operating system included in the memory 101 and the code of at least one program. Here, the components of the processor 102 are expressions of different functions of the processor 102 performed by the processor 102 according to instructions provided by the program code stored in the artificial neural network learning server 100 . can take The internal configuration and specific operation of the processor 102 will be described with reference to the flowchart of the artificial neural network learning method of FIG. 4 and the embodiments of FIGS. 7 to 9 .

도 4는 본 발명의 일 실시예에 따른 인공신경망 학습방법을 시계열적으로 나열한 순서도이다.4 is a flowchart illustrating an artificial neural network learning method according to an embodiment of the present invention in time series.

단계 S110에서 인공신경망 학습 서버는 실측 합성 개구면 레이더 영상을 획득할 수 있다.In step S110, the artificial neural network learning server may acquire the actually measured synthetic aperture radar image.

단계 S120에서 인공신경망 학습 서버는 초고주파 기법을 이용하여 생성된 영상을 포함하는 시뮬레이션 영상 데이터베이스를 구축할 수 있다. 일 실시예에서 인공신경망 학습 서버는 실측 합성 개구면 레이더 영상을 이용하여 추출한 표적에 대하여, SBR(Shooting and Bouncing Rays) 기법을 이용하여 상기 시뮬레이션 영상 데이터베이스를 구축할 수 있다. 또는 다른 실시예에서 인공신경망 학습 서버는 초고주파 기법을 이용하여 각각의 표적에 대하여 지정된 고각 및 지정된 방위각 간격의 복수의 표적 영상을 포함하는 시뮬레이션 영상 데이터베이스를 생성할 수 있다. In step S120, the artificial neural network learning server may build a simulation image database including images generated using the ultra-high frequency technique. In an embodiment, the artificial neural network learning server may construct the simulation image database by using a Shooting and Bouncing Rays (SBR) technique with respect to a target extracted by using the measured synthetic aperture radar image. Alternatively, in another embodiment, the artificial neural network learning server may generate a simulation image database including a plurality of target images having a specified elevation angle and a specified azimuth interval for each target by using a very high frequency technique.

단계 S130에서 인공신경망 학습 서버는 실측 합성 개구면 레이더 영상을 싸이클 간(Cycle GAN)에 입력하여 유사 영상을 생성할 수 있다.In step S130, the artificial neural network learning server may generate a similar image by inputting the measured synthetic aperture radar image to the cycle GAN.

단계 S140에서 인공신경망 학습 서버는 유사 영상 및 시뮬레이션 영상 데이터베이스에 포함된 복수의 영상을 이용하여 CNN 구조의 신경망을 학습시킬 수 있다.In step S140, the artificial neural network learning server may train the neural network of the CNN structure by using a plurality of images included in the similar image and simulation image database.

단계 S150에서 인공신경망 학습 서버는 학습된 CNN 구조의 신경망을 이용하여 실측 합성 개구면 레이더 영상에 포함된 표적을 식별할 수 있다.In step S150, the artificial neural network learning server may identify the target included in the actually measured synthetic aperture radar image by using the learned neural network of the CNN structure.

도 5 및 도 6은 도 1에 도시된 종래 기술에 따라 학습된 인공신경망의 시뮬레이션 결과의 일 실험예를 설명하기 위한 도면이다.5 and 6 are diagrams for explaining an experimental example of a simulation result of an artificial neural network learned according to the prior art shown in FIG. 1 .

도 5는 시험에 사용된 시뮬레이션 영상 DB 개수, 훈련으로 구축된 DB 개수, 시험에 사용된 영상 개수를 표로 도시한다. 도시된 바를 참조하면 시뮬레이션 영상 데이터베이스에 저장된 영상의 개수는 23,400개이고, 인공신경망의 훈련용 데이터베이스에 저장된 영상의 개수는 6,205개이며 인공신경망의 실험 데이터로 이용된 영상의 개수는 6,199개이다.5 is a table showing the number of simulation image DBs used in the test, the number of DBs built through training, and the number of images used in the test. Referring to the figure, the number of images stored in the simulation image database is 23,400, the number of images stored in the training database of the artificial neural network is 6,205, and the number of images used as experimental data of the artificial neural network is 6,199.

도 6은 도 1을 시뮬레이션한 결과를 혼돈행렬 (Confusion matrix)로 나타낸다. 여기서 사용된 표적의 종류는 4개임을 가정한다. 시뮬레이션 영상을 식별 데이터베이스로 사용하여, 실측 합성 개구면 레이더 영상으로 훈련하고 테스트한 결과, 전체 식별률은 대략 20%임을 확인할 수 있다. 또한, 도시된 바를 참조하면 대부분의 표적이 2번 표적으로 식별되거나 오식별 되는 것을 알 수 있다. 일반적으로 시뮬레이션 영상 DB를 이용할 경우는 다양한 전처리 기법과 영상 조정 (image adjustment) 기법을 이용하여 식별률을 개선하지만, 본 시험에서는 아무런 개선 기법을 사용하지 않음을 가정하였다.6 shows the simulation result of FIG. 1 as a confusion matrix. It is assumed that there are four types of targets used here. Using the simulation image as the identification database, training and testing with the measured synthetic aperture radar image, it can be confirmed that the overall identification rate is approximately 20%. In addition, referring to the drawings, it can be seen that most of the targets are identified as the second target or are misidentified. In general, when using a simulation image DB, the identification rate is improved by using various pre-processing techniques and image adjustment techniques, but it is assumed that no improvement technique is used in this test.

도 7은 본 발명의 일 실시예에 따른 인공신경망 학습 방법을 설명하기 위한 도면이다.7 is a diagram for explaining an artificial neural network learning method according to an embodiment of the present invention.

본 발명의 일 실시예에 따른 인공신경망 학습 방법은 실측 합성 개구면 레이더 영상을 획득하고(30), 초고주파 기법을 이용하여 생성된 영상(10)을 포함하는 시뮬레이션 영상 데이터베이스를 구축하며(20), 상기 실측 합성 개구면 레이더 영상(30)을 싸이클 간(Cycle GAN)에 입력(200)하여 유사 영상을 생성하고(210), 상기 유사 영상(210) 및 상기 시뮬레이션 영상 데이터베이스에 포함된 복수의 영상(20)을 이용하여 CNN 구조의 신경망(230)을 학습시킬 수 있다. 그리고, 상기 학습된 CNN 구조의 신경망을 이용하여 실측 합성 개구면 레이더 영상에 포함된 표적을 식별할 수 있다(240).The artificial neural network learning method according to an embodiment of the present invention acquires an actual measured synthetic aperture radar image (30), builds a simulation image database including an image 10 generated using a very high frequency technique (20), A similar image is generated (210) by inputting the measured synthetic aperture radar image 30 into a cycle GAN (200), and a plurality of images included in the similar image 210 and the simulation image database ( 20) can be used to train the neural network 230 of the CNN structure. Then, the target included in the actually measured synthetic aperture radar image may be identified using the learned neural network of the CNN structure ( 240 ).

본 발명의 몇몇 실시예에 따른 인공신경망 학습 방법은 유사 영상을 생성하고, 식별률을 개선하기 위해서 딥러닝 기법중의 하나인 싸이클 간 (Cycle GAN)을 이용할 수 있다. 즉, 본 실시예에서는 실측 합성 개구면 레이더 영상을 싸이클 간을 이용해서 시뮬레이션과 유사한 합성 개구면 레이더 영상이 생성될 수 있다. 이후, 측정 합성 개구면 레이더 영상을 싸이클 간 네트워크에 입력하여 시뮬레이션 유사 합성 개구면 레이더 영상을 생성하고, 생성된 유사 합성 개구면 레이더 영상을 CNN 구조의 인공신경망에 입력한다. CNN 구조의 인공신경망의 종류 및 형태는 한정되지 않는다. 예를 들어 일 실시예에 따른 인공신경망 학습 방법은 상술한 유사 합성 개구면 레이더 영상 및 시뮬레이션 영상 데이터베이스를 VGG 네트워크에 입력하여 학습하고 테스트를 진행할 수 있다. The artificial neural network learning method according to some embodiments of the present invention may use Cycle GAN, which is one of deep learning techniques, to generate a similar image and improve the identification rate. That is, in the present embodiment, a synthetic aperture radar image similar to a simulation may be generated by using the measured synthetic aperture radar image between cycles. Thereafter, the simulated synthetic aperture radar image is generated by inputting the measured synthetic aperture radar image to the inter-cycle network, and the generated pseudo synthetic aperture radar image is input to the artificial neural network of the CNN structure. The type and shape of the artificial neural network of the CNN structure are not limited. For example, in the artificial neural network learning method according to an embodiment, the above-described synthetic aperture radar image and simulation image database may be input to the VGG network to learn and test.

도 8는 도 7에 도시된 본 발명의 일 실시예에 대하여 시뮬레이션한 결과를 혼돈행렬 (Confusion matrix)로 나타낸 도면이다. 도 6에 도시된 실시예와 비교할 때, 본 발명의 일 실시예에 따른 도 8의 실시예의 결과가 보다 향상된 것을 알 수 있다. 즉, 특정 표적으로 편중되던 결과가 싸이클 간을 통해 시뮬레이션 영상 데이터베이스에 특화되도록 학습시킴으로 인해서 타겟표적에 대하여 원래 표적으로 식별하는 확률이 높아졌음을 알 수 있다. FIG. 8 is a diagram showing a simulation result of the embodiment of the present invention shown in FIG. 7 as a confusion matrix. Compared with the embodiment shown in FIG. 6 , it can be seen that the result of the embodiment of FIG. 8 according to an embodiment of the present invention is more improved. In other words, it can be seen that the probability of identifying the target as the original target is increased because the result, which was biased toward a specific target, is learned to be specialized in the simulation image database through the cycles.

도 9에 도시된 바를 참조하면, 본 발명의 몇몇 실시예에 따라 학습된 인공신경망의 표적 식별률의 향상된 성능을 확인할 수 있다. 도시된 바를 참조하면 전체적인 식별률은 20%에서 혁신적으로 84%로 개선된 것을 알 수 있다. 5 및 도 6에 도시된 실시예에서는 모든 표적이 2번으로 식별되고, 1, 3, 4번의 표적을 아예 식별하지 못한다는 문제점이 발생한 반면, 본 발명의 몇몇 실시예에 따른 인공신경망 학습 방법을 이용하였을 경우는 싸이클 간을 이용함에 의해서, 83%, 87%, 88%의 높은 식별률로 개선됨을 확인할 수 있다. Referring to FIG. 9 , it is possible to confirm the improved performance of the target identification rate of the artificial neural network learned according to some embodiments of the present invention. Referring to the bar, it can be seen that the overall identification rate is innovatively improved from 20% to 84%. 5 and 6, all targets are identified as No. 2, and there is a problem that targets 1, 3, and 4 are not identified at all, whereas the artificial neural network learning method according to some embodiments of the present invention is used. When used, it can be confirmed that the high identification rates of 83%, 87%, and 88% are improved by using between cycles.

즉, 전술한 바와 같이 본 발명의 몇몇 실시예에 따른 인공신경망 학습 방법에 따르면, 합성 개구면 레이더 영상에서 시뮬레이션 영상 데이터베이스를 통해 식별을 수행할 때 측정 영상을 딥러닝의 싸이클 간을 이용해서 시뮬레이션 유사 영상을 생성하고 생성된 영상을 CNN 구조의 딥러닝 네트워크로 학습시켜 식별률을 혁신적으로 향상시킬 수 있다. That is, as described above, according to the artificial neural network learning method according to some embodiments of the present invention, when identification is performed through a simulation image database in a synthetic aperture radar image, the measured image is simulated by using between cycles of deep learning. The identification rate can be innovatively improved by generating an image and learning the generated image with a deep learning network of CNN structure.

한편, 본 실시예와 관련된 기술 분야에서 통상의 지식을 가진 자는 상기된 기재의 본질적인 특성에서 벗어나지 않는 범위에서 변형된 형태로 구현될 수 있음을 이해할 수 있을 것이다. 그러므로 개시된 방법들은 한정적인 관점이 아니라 설명적인 관점에서 고려되어야 한다. 본 발명의 범위는 전술한 설명이 아니라 특허청구범위에 나타나 있으며, 그와 동등한 범위 내에 있는 모든 차이점은 본 발명에 포함된 것으로 해석되어야 할 것이다.On the other hand, those of ordinary skill in the technical field related to the present embodiment will understand that it can be implemented in a modified form within a range that does not deviate from the essential characteristics of the above description. Therefore, the disclosed methods are to be considered in an illustrative rather than a restrictive sense. The scope of the present invention is indicated in the claims rather than the foregoing description, and all differences within the scope equivalent thereto should be construed as being included in the present invention.

이상에서 설명된 장치는 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 어플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.The device described above may be implemented as a hardware component, a software component, and/or a combination of the hardware component and the software component. For example, devices and components described in the embodiments may include, for example, a processor, a controller, an arithmetic logic unit (ALU), a digital signal processor, a microcomputer, a field programmable gate array (FPGA). , a programmable logic unit (PLU), a microprocessor, or any other device capable of executing and responding to instructions, may be implemented using one or more general purpose or special purpose computers. The processing device may execute an operating system (OS) and one or more software applications running on the operating system. The processing device may also access, store, manipulate, process, and generate data in response to execution of the software. For convenience of understanding, although one processing device is sometimes described as being used, one of ordinary skill in the art will recognize that the processing device includes a plurality of processing elements and/or a plurality of types of processing elements. It can be seen that can include For example, the processing device may include a plurality of processors or one processor and one controller. Other processing configurations are also possible, such as parallel processors.

소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.The software may comprise a computer program, code, instructions, or a combination of one or more thereof, which configures a processing device to operate as desired or is independently or collectively processed You can command the device. The software and/or data may be any kind of machine, component, physical device, virtual equipment, computer storage medium or device, to be interpreted by or to provide instructions or data to the processing device. , or may be permanently or temporarily embody in a transmitted signal wave. The software may be distributed over networked computer systems, and stored or executed in a distributed manner. Software and data may be stored in one or more computer-readable recording media.

실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.The method according to the embodiment may be implemented in the form of program instructions that can be executed through various computer means and recorded in a computer-readable medium. The computer-readable medium may include program instructions, data files, data structures, and the like, alone or in combination. The program instructions recorded on the medium may be specially designed and configured for the embodiment, or may be known and available to those skilled in the art of computer software. Examples of the computer readable recording medium include magnetic media such as hard disks, floppy disks and magnetic tapes, optical media such as CD-ROMs and DVDs, and magnetic media such as floppy disks. - includes magneto-optical media, and hardware devices specially configured to store and execute program instructions, such as ROM, RAM, flash memory, and the like. Examples of program instructions include not only machine language codes such as those generated by a compiler, but also high-level language codes that can be executed by a computer using an interpreter or the like. The hardware devices described above may be configured to operate as one or more software modules to perform the operations of the embodiments, and vice versa.

이상과 같이 실시예들이 비록 한정된 실시예와 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.As described above, although the embodiments have been described with reference to the limited embodiments and drawings, various modifications and variations are possible from the above description by those skilled in the art. For example, the described techniques are performed in a different order than the described method, and/or the described components of the system, structure, apparatus, circuit, etc. are combined or combined in a different form than the described method, or other components Or substituted or substituted by equivalents may achieve an appropriate result.

그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.Therefore, other implementations, other embodiments, and equivalents to the claims are also within the scope of the following claims.

Claims (9)

컴퓨팅 장치에 의해 수행되는 인공신경망 학습 방법에 있어서,
실측 합성 개구면 레이더 영상을 획득하는 단계;
전자파 수치해석 기법인 초고주파 기법을 이용하여 상기 실측 합성 개구면 레이더 영상에 대한 시뮬레이션 영상을 생성하고, 상기 생성된 시뮬레이션 영상을 포함하는 시뮬레이션 영상 데이터베이스를 구축하는 단계;
상기 실측 합성 개구면 레이더 영상을 싸이클 간(Cycle GAN)에 입력하여 유사 영상을 생성하는 단계; 및
상기 유사 영상을 CNN 구조의 신경망의 입력 데이터로 이용하고, 상기 유사 영상의 클래스를 상기 CNN 구조의 신경망의 결과 데이터로 획득하며, 상기 유사 영상과 대응되는 실측 합성 개구면 레이더 영상에 대한 시뮬레이션 영상의 클래스를 목표 데이터로 이용하여 상기 CNN 구조의 신경망을 학습시키는 단계; 를 포함하는,
인공신경망 학습 방법.
In the artificial neural network learning method performed by a computing device,
acquiring an actual measured synthetic aperture radar image;
generating a simulation image for the actually measured synthetic aperture radar image by using an ultra-high frequency technique, which is an electromagnetic wave numerical analysis technique, and constructing a simulation image database including the generated simulation image;
generating a similar image by inputting the measured synthetic aperture radar image to a cycle GAN; and
The similar image is used as input data of the neural network of the CNN structure, the class of the similar image is obtained as the result data of the neural network of the CNN structure, and the simulation image of the synthetic aperture radar image corresponding to the similar image is obtained. training the neural network of the CNN structure using a class as target data; containing,
How to learn artificial neural networks.
제1 항에 있어서,
상기 시뮬레이션 영상 데이터베이스를 구축하는 단계는,
상기 실측 합성 개구면 레이더 영상을 이용하여 추출한 표적에 대하여, 상기 초고주파 기법 중 하나인 SBR(Shooting and Bouncing Rays) 기법을 이용하여 상기 시뮬레이션 영상 데이터베이스를 구축하는 단계를 포함하는,
인공신경망 학습 방법.
According to claim 1,
The step of building the simulation image database includes:
Constructing the simulation image database using a shooting and bouncing rays (SBR) technique, which is one of the very high frequency techniques, with respect to the target extracted using the measured synthetic aperture radar image,
How to learn artificial neural networks.
제1 항에 있어서,
상기 시뮬레이션 영상은,
초고주파 기법을 이용하여 상기 시뮬레이션 영상에 포함된 적어도 하나의 표적에 대하여 지정된 고각 및 지정된 방위각 간격의 복수의 표적 영상을 포함하는,
인공신경망 학습 방법.
According to claim 1,
The simulation image is
Using a very high frequency technique, including a plurality of target images of a specified elevation angle and a specified azimuth interval with respect to at least one target included in the simulation image,
How to learn artificial neural networks.
삭제delete 프로세서;를 포함하고,
상기 프로세서는,
실측 합성 개구면 레이더 영상을 획득하고, 전자파 수치해석 기법인 초고주파 기법을 이용하여 상기 실측 합성 개구면 레이더 영상에 대한 시뮬레이션 영상을 생성하고, 상기 생성된 시뮬레이션 영상을 포함하는 시뮬레이션 영상 데이터베이스를 구축하고, 상기 실측 합성 개구면 레이더 영상을 싸이클 간(Cycle GAN)에 입력하여 유사 영상을 생성하고, 상기 유사 영상을 CNN 구조의 신경망의 입력 데이터로 이용하고, 상기 유사 영상의 클래스를 상기 CNN 구조의 신경망의 결과 데이터로 획득하며, 상기 유사 영상과 대응되는 실측 합성 개구면 레이더 영상에 대한 시뮬레이션 영상의 클래스를 목표 데이터로 이용하여 상기 CNN 구조의 신경망을 학습시키는,
인공신경망 학습 장치.
processor; including;
The processor is
Acquire an actual measured synthetic aperture radar image, generate a simulation image for the measured synthetic aperture radar image using an ultra-high frequency technique that is an electromagnetic wave numerical analysis technique, and build a simulation image database including the generated simulation image, A similar image is generated by inputting the measured synthetic aperture radar image to a cycle GAN, the similar image is used as input data of the neural network of the CNN structure, and the class of the similar image is used as input data of the neural network of the CNN structure. Learning the neural network of the CNN structure by acquiring the result data and using the class of the simulation image for the actually measured synthetic aperture radar image corresponding to the similar image as the target data,
Artificial neural network learning device.
제5 항에 있어서,
상기 프로세서는,
상기 실측 합성 개구면 레이더 영상을 이용하여 추출한 표적에 대하여, 상기 초고주파 기법 중 하나인 SBR(Shooting and Bouncing Rays) 기법을 이용하여 상기 시뮬레이션 영상 데이터베이스를 구축하는,
인공신경망 학습 장치.
6. The method of claim 5,
The processor is
constructing the simulation image database by using a Shooting and Bouncing Rays (SBR) technique, which is one of the very high frequency techniques, with respect to the target extracted using the measured synthetic aperture radar image;
Artificial neural network learning device.
제5 항에 있어서,
상기 시뮬레이션 영상은,
초고주파 기법을 이용하여 상기 시뮬레이션 영상에 포함된 적어도 하나의 표적에 대하여 지정된 고각 및 지정된 방위각 간격의 복수의 표적 영상을 포함하는,인공신경망 학습 장치.
6. The method of claim 5,
The simulation image is
Using a very high frequency technique, including a plurality of target images of a specified elevation and a specified azimuth interval with respect to at least one target included in the simulation image, Artificial neural network learning apparatus.
삭제delete 컴퓨터를 이용하여 제1항 내지 제3항 중 어느 한 항의 방법을 실행시키기 위하여 기록매체에 저장된 컴퓨터 프로그램.A computer program stored in a recording medium for executing the method of any one of claims 1 to 3 using a computer.
KR1020200101403A 2020-08-12 2020-08-12 Method and apparatus for learning artificial nearal network to improve the target recognition of simulation-image database in sar image KR102272411B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200101403A KR102272411B1 (en) 2020-08-12 2020-08-12 Method and apparatus for learning artificial nearal network to improve the target recognition of simulation-image database in sar image

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200101403A KR102272411B1 (en) 2020-08-12 2020-08-12 Method and apparatus for learning artificial nearal network to improve the target recognition of simulation-image database in sar image

Publications (1)

Publication Number Publication Date
KR102272411B1 true KR102272411B1 (en) 2021-07-02

Family

ID=76896782

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200101403A KR102272411B1 (en) 2020-08-12 2020-08-12 Method and apparatus for learning artificial nearal network to improve the target recognition of simulation-image database in sar image

Country Status (1)

Country Link
KR (1) KR102272411B1 (en)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114264361A (en) * 2021-12-07 2022-04-01 深圳市博悠半导体科技有限公司 Object identification method and device combining radar and camera and intelligent electronic scale
KR102420978B1 (en) 2021-12-24 2022-07-15 한화시스템 주식회사 System and method for simulation and image quality analysis of sar payload for micro-satellite
CN115015910A (en) * 2022-05-30 2022-09-06 深圳大学 Microwave and optical vision interactive perception identification method, device, terminal and medium
KR102482150B1 (en) 2022-05-11 2022-12-29 한화시스템(주) Deep learning training apparatus and method for automatically recognizing target in SAR image, and apparatus for automatically recognizing target in SAR image
KR102563953B1 (en) 2022-12-20 2023-08-04 국방과학연구소 Method and apparatus for image translation using latent features of image

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20100035056A (en) * 2008-09-25 2010-04-02 국방과학연구소 Method for compensating shake for spotlight synthetic aperture rador
KR20160038464A (en) * 2014-09-30 2016-04-07 국방과학연구소 Method and device for target classification by fusion of high resolution range profile and inverse synthetic aperture radar image
KR101703773B1 (en) * 2015-10-07 2017-02-07 국방과학연구소 Method for acquiring radar image using serveillance radar and System thereof
KR101857624B1 (en) * 2017-08-21 2018-05-14 동국대학교 산학협력단 Medical diagnosis method applied clinical information and apparatus using the same
KR102141163B1 (en) * 2020-05-06 2020-08-04 국방과학연구소 Neural network learning method and apparatus for generating synthetic aperture radar image

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20100035056A (en) * 2008-09-25 2010-04-02 국방과학연구소 Method for compensating shake for spotlight synthetic aperture rador
KR20160038464A (en) * 2014-09-30 2016-04-07 국방과학연구소 Method and device for target classification by fusion of high resolution range profile and inverse synthetic aperture radar image
KR101703773B1 (en) * 2015-10-07 2017-02-07 국방과학연구소 Method for acquiring radar image using serveillance radar and System thereof
KR101857624B1 (en) * 2017-08-21 2018-05-14 동국대학교 산학협력단 Medical diagnosis method applied clinical information and apparatus using the same
KR102141163B1 (en) * 2020-05-06 2020-08-04 국방과학연구소 Neural network learning method and apparatus for generating synthetic aperture radar image

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114264361A (en) * 2021-12-07 2022-04-01 深圳市博悠半导体科技有限公司 Object identification method and device combining radar and camera and intelligent electronic scale
KR102420978B1 (en) 2021-12-24 2022-07-15 한화시스템 주식회사 System and method for simulation and image quality analysis of sar payload for micro-satellite
KR102482150B1 (en) 2022-05-11 2022-12-29 한화시스템(주) Deep learning training apparatus and method for automatically recognizing target in SAR image, and apparatus for automatically recognizing target in SAR image
CN115015910A (en) * 2022-05-30 2022-09-06 深圳大学 Microwave and optical vision interactive perception identification method, device, terminal and medium
CN115015910B (en) * 2022-05-30 2024-02-13 深圳大学 Interactive perception identification method, device, terminal and medium for microwave and optical vision
KR102563953B1 (en) 2022-12-20 2023-08-04 국방과학연구소 Method and apparatus for image translation using latent features of image

Similar Documents

Publication Publication Date Title
KR102272411B1 (en) Method and apparatus for learning artificial nearal network to improve the target recognition of simulation-image database in sar image
Li et al. Deep reinforcement learning (DRL): Another perspective for unsupervised wireless localization
CN110399770B (en) Generating machine learning models for objects based on enhancing objects with physical properties
CN113361705A (en) Unsupervised learning of scene structures for synthetic data generation
EP3583553A1 (en) Neural architecture search for convolutional neural networks
Lu et al. P_SegNet and NP_SegNet: New neural network architectures for cloud recognition of remote sensing images
US11907821B2 (en) Population-based training of machine learning models
KR102321998B1 (en) Method and system for estimating position and direction of image
US11928856B2 (en) Computer vision and speech algorithm design service
JP2020098587A (en) Object Shape Regression Using Wasserstein Distance
US20230186562A1 (en) Method and system for 3d modeling based on volume estimation
US20200225031A1 (en) Tracking a moving sports object in varied environmental conditions
CN111311480A (en) Image fusion method and device
Kalkan et al. Cloudy/clear weather classification using deep learning techniques with cloud images
Nian et al. The Identification and Prediction of Mesoscale Eddy Variation via Memory in Memory With Scheduled Sampling for Sea Level Anomaly
CN112766381B (en) Attribute-guided SAR image generation method under limited sample
CN110490058A (en) Training method, device, system and the computer-readable medium of pedestrian detection model
KR102561799B1 (en) Method and system for predicting latency of deep learning model in device
CN112926681B (en) Target detection method and device based on deep convolutional neural network
CN109740109A (en) A kind of PolSAR image broad object decomposition method based on unitary transformation
EP3923236A1 (en) Image-processing device, image-processing method, and image-processing computer program
Błaszczak-Bąk et al. High performance filtering for big datasets from Airborne Laser Scanning with CUDA technology
CN113656918A (en) Four-rotor simulation test method applied to finished product elevated warehouse scene
Li et al. Typhoon cloud prediction via generative adversarial networks
Pulido et al. Towards real-time drone detection using deep neural networks

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant