KR102534629B1 - 해상 이동 표적을 탐지하는 딥러닝 기반 레이더 시스템 및 방법 - Google Patents
해상 이동 표적을 탐지하는 딥러닝 기반 레이더 시스템 및 방법 Download PDFInfo
- Publication number
- KR102534629B1 KR102534629B1 KR1020200176033A KR20200176033A KR102534629B1 KR 102534629 B1 KR102534629 B1 KR 102534629B1 KR 1020200176033 A KR1020200176033 A KR 1020200176033A KR 20200176033 A KR20200176033 A KR 20200176033A KR 102534629 B1 KR102534629 B1 KR 102534629B1
- Authority
- KR
- South Korea
- Prior art keywords
- data
- signal
- radar
- size
- dnn
- Prior art date
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO 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
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
- G01S7/417—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section involving the use of neural networks
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO 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
- G01S13/00—Systems 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
- G01S13/02—Systems using reflection of radio waves, e.g. primary radar systems; Analogous systems
- G01S13/50—Systems of measurement based on relative movement of target
- G01S13/52—Discriminating between fixed and moving objects or between objects moving at different speeds
- G01S13/522—Discriminating between fixed and moving objects or between objects moving at different speeds using transmissions of interrupted pulse modulated waves
- G01S13/524—Discriminating between fixed and moving objects or between objects moving at different speeds using transmissions of interrupted pulse modulated waves based upon the phase or frequency shift resulting from movement of objects, with reference to the transmitted signals, e.g. coherent MTi
- G01S13/5246—Discriminating between fixed and moving objects or between objects moving at different speeds using transmissions of interrupted pulse modulated waves based upon the phase or frequency shift resulting from movement of objects, with reference to the transmitted signals, e.g. coherent MTi post processors for coherent MTI discriminators, e.g. residue cancellers, CFAR after Doppler filters
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO 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
- G01S13/00—Systems 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
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Electromagnetism (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
해상 이동 표적을 탐지하는 레이더 시스템 및 방법이 개시될 수 있다. 일 실시예에 따른 레이더 시스템은 탐지하고자 하는 해상 이동 표적에 해당하는 표적 신호 및 클러터 신호를 포함하는 제1 레이더 수신 신호를 획득하는 레이더 센서; 및 제1 레이더 수신 신호에 기초하여 DNN(deep neural network) 훈련을 수행하는 프로세서를 포함하고, 레이더 센서는 표적에 해당하는 표적 신호 및 클러터 신호를 포함하는 제2 레이더 수신 신호를 획득하고, 프로세서는 훈련된 DNN에 기초하여 제2 레이더 수신 신호에 DNN 추론을 수행하여 클러터 신호를 제거하고, 클러터 신호가 제거된 제2 레이더 수신 신호에 CFAR(constant false alarm rate) 알고리즘을 수행하여 해상 이동 표적을 탐지할 수 있다.
Description
본 발명은 해상 이동 표적을 탐지하는 딥러닝 기반 레이더 시스템 및 방법에 관한 것이다.
레이더 시스템은 레이더 센서를 통해 레이더 신호를 방사하고 표적 등에 의해 반사되는 레이더 수신 신호를 신호 처리하여 원하는 표적을 탐지한다. 레이더 수신 신호를 탐지하고자 하는 표적 이외에 다양한 운용 환경에 따라 원하지 않는 신호 성분들을 포함한다. 이러한 원하지 않는 신호 성분을 레이더의 클러터 성분이라 한다.
일반적으로, 레이더 센서의 탐지 성능은 클러터 성분에 상당한 영향을 받는다. 특히, 해상 클러터 환경에서는 클러터 성분(즉, 클러터 신호)을 제거하는 것이 필수이며, 해상 클러터 환경에서 클러터 신호를 제거하는 것은 레이더 시스템의 설계 및 이동 표적 탐지에 가장 중요한 요소이다.
종래에는 클러터 신호를 제거하기 위해 MTI(moving target indication) 기반 신호 처리가 이용되고 있다. MTI 기반 신호 처리는 주파수 영역에서 표적에 해당하는 신호와 클러터 신호의 차이를 이용하여 레이더 수신 신호에 필터링 처리를 수행하여 클러터 신호를 제거한다. 이러한 MTI 기반 신호 처리는 표적의 도플러 변화를 관측하여 도플러 변화가 큰 신호 성분만을 추출하는 방법으로서, 탐지하고자 하는 표적의 이동 속도가 빠른 경우 상당히 우수한 탐지 성능을 나타내지만, 표적의 이동 속도가 느린 경우(예를 들어, 5m/s 이하인 경우), 저속의 표적의 해상 클러터 특성으로 인해 이동 속도가 느린 표적을 탐지하는 것이 불가능하다. 예를 들면, MTI 기반 신호 처리는 큰 RCS(radar cross section)를 가지며 일정 속도 이상의 대형 선박 또는 군함을 탐지할 수 있지만, 소형 선박, 잠수함의 잠만경 등과 같이 아주 작은 RCS를 갖거나 정지 표적의 경우 해상 클러터 및 노이즈 신호 간섭으로 인해 탐지가 불가능하다.
한편, 클러터 신호를 제거하기 위해 STAP(space time adaptive processing)를 통한 클러터 신호 억압(suppression) 기술이 이용되고 있다. STAP의 경우, 공분산 행렬(covariance matrix)을 예측하기 위해 훈련 데이터가 필요하다. 훈련 데이터는 연관된 셀들의 정보를 이용하여 생성될 수 있으며, 이러한 셀들에 클러터 신호가 포함되면 안 된다. 그러나, 실제 상황에서는 해상 클러터의 돌출(spiky) 특성으로 인해 연관된 셀들이 오염되어 성능의 열화가 발생하는 경우가 빈번하다는 문제점이 있다.
본 발명은 컨벌루션 심층 신경망(convolution deep neural network)을 이용하여 특징맵 표적의 특징을 추출하고 선택적으로 표적 복원하여 클러터 신호를 제거하여 해상 이동 표적을 탐지하는 딥러닝 기반 레이더 시스템 및 방법을 제공할 수 있다.
본 발명의 일 실시예에 따르면, 해상 이동 표적을 탐지하는 딥러닝 기반 레이더 시스템이 개시될 수 있다. 일 실시예에 따른 딥러닝 기반 레이더 시스템은 탐지하고자 하는 해상 이동 표적에 해당하는 표적 신호 및 클러터 신호를 포함하는 제1 레이더 수신 신호를 획득하는 레이더 센서; 및 상기 제1 레이더 수신 신호에 기초하여 DNN(deep neural network) 훈련을 수행하는 프로세서를 포함하고, 상기 레이더 센서는 상기 해상 이동 표적에 해당하는 상기 표적 신호 및 상기 클러터 신호를 포함하는 제2 레이더 수신 신호를 획득하고, 상기 프로세서는 상기 훈련된 DNN에 기초하여 상기 제2 레이더 수신 신호에 DNN 추론을 수행하여 상기 클러터 신호를 제거하고, 상기 클러터 신호가 제거된 제2 레이더 수신 신호에 CFAR(constant false alarm rate) 알고리즘을 수행하여 상기 해상 이동 표적을 탐지할 수 있다.
일 실시예에 있어서, 상기 CFAR 알고리즘은 CA-CFAR(cell average constant false alarm rate) 알고리즘을 포함할 수 있다.
일 실시예에 있어서, 상기 제1 레이더 수신 신호는 필드 테스트 환경에서 획득될 수 있다.
일 실시예에 있어서, 상기 프로세서는 상기 제1 레이더 수신 신호에 상기 DNN 훈련을 수행하여 DNN 훈련 정보를 생성하는 제1 신호 처리부; 상기 제2 레이더 수신 신호에 기초하여 제2 데이터를 생성하는 제2 신호 처리부; 및 상기 DNN 훈련 정보에 기초하여, 상기 제2 데이터에 상기 DNN 추론을 수행하여 상기 클러터 신호가 제거된 데이터를 생성하고, 상기 클러터 신호가 제거된 제2 레이더 수신 신호에 상기 CFAR 알고리즘을 수행하여 상기 해상 이동 표적을 탐지하는 제3 신호 처리부를 포함할 수 있다.
일 실시예에 있어서, 상기 DNN 훈련 정보는 레이블링 정보, 웨이트 메트릭스(weight matrix) 데이터 및 바이어스(bias) 데이터를 포함할 수 있다.
일 실시예에 있어서, 상기 제1 신호 처리부는 상기 제1 레이더 수신 신호를 이용하여 레이블링 처리를 위한 제1 데이터를 생성하는 제1 데이터 생성부; 상기 제1 데이터에 레이블링(labeling) 처리를 수행하는 레이블링 처리부; 및 상기 레이블링 처리된 제1 데이터에 상기 DNN 훈련을 수행하여 상기 DNN 훈련 정보를 생성하는 DNN 훈련부를 포함할 수 있다.
일 실시예에 있어서, 상기 제1 데이터는 RDmap 데이터를 포함할 수 있다.
일 실시예에 있어서, 상기 레이블링 처리부는 상기 제1 데이터에 상기 레이블링 처리를 수행하여, 상기 표적 신호에 데이터 레이블링을 수행하고, 상기 클러터 신호에 데이터 레이블링을 수행할 수 있다.
일 실시예에 있어서, 상기 제2 신호 처리부는 상기 제2 레이더 수신 신호에 도플러 처리를 수행하는 도플러 처리부; 및 상기 도플러 처리된 제2 레이더 수신 신호에 기초하여 상기 제2 데이터를 생성하는 제2 데이터 생성부를 포함할 수 있다.
일 실시예에 있어서, 상기 제2 데이터는 RDmap 데이터를 포함할 수 있다.
일 실시예에 있어서, 상기 제3 신호 처리부는 상기 제2 데이터에 엔코딩(encoding) 처리를 수행하는 엔코더; 상기 DNN 훈련 정보에 기초하여, 상기 엔코딩 처리된 제2 데이터로부터 특징맵을 생성하는 특징맵 생성부; 상기 DNN 훈련 정보 및 상기 특징맵에 기초하여 상기 엔코딩 처리된 제2 데이터에 디코딩(decoding) 처리를 수행하여 상기 클러터 신호가 제거된 제2 데이터를 생성하는 디코더; 상기 클러터 신호가 제거된 제2 레이더 수신 신호에 상기 CFAR 알고리즘을 수행하는 CFAR 알고리즘 처리부; 및 상기 CFAR 알고림즘 처리된 상기 제2 레이더 수신 신호에 기초하여 상기 해상 이동 표적을 탐지하는 표적 탐지부를 포함할 수 있다.
일 실시예에 있어서, 상기 엔코더는 상기 제2 데이터의 데이터 크기를 절반의 크기로 감소시키는 컨벌루션부를 복수개 포함할 수 있다.
일 실시예에 있어서, 상기 컨벌루션부는 2×2 크기를 갖는 컨벌루션 필터를 포함할 수 있다.
일 실시예에 있어서, 상기 특징맵은 상기 해상 이동 표적, 클러터 및 노이즈에 대한 압축된 정보를 포함할 수 있다.
일 실시예에 있어서, 상기 디코더는 상기 엔코딩 처리된 제2 데이터의 데이터 크기를 2배의 크기로 증가시키는 전치 컨벌루션부를 복수개 포함할 수 있다.
일 실시예에 있어서, 상기 전치 컨벌루션부는 2×2 크기를 갖는 전치 컨벌루션 필터를 포함할 수 있다.
본 발명의 일 실시예에 따르면, 딥러닝 기반 레이더 시스템에서의 해상 이동 표적 탐지 방법이 개시될 수 있다. 일 실시예에 따른 해상 이동 표적 탐지 방법은 딥러닝 기반 레이더 시스템의 레이더 센서에서, 탐지하고자 하는 해상 이동 표적에 해당하는 표적 신호 및 클러터 신호를 포함하는 제1 레이더 수신 신호를 획득하는 단계; 상기 레이더 시스템의 프로세서에서, 상기 제1 레이더 수신 신호에 DNN 훈련을 수행하는 단계; 상기 레이더 센서에서, 상기 해상 이동 표적에 해당하는 표적 신호 및 클러터 신호를 포함하는 제2 레이더 수신 신호를 획득하는 단계; 상기 프로세서에서, 상기 훈련된 DNN에 기초하여 상기 제2 레이더 수신 신호에 DNN 추론을 수행하여 상기 클러터 신호를 제거하는 단계; 및 상기 프로세서에서, 상기 클러터 신호가 제거된 제2 레이더 수신 신호에 CFAR 알고리즘을 수행하여 상기 해상 이동 표적을 탐지하는 단계를 포함할 수 있다.
일 실시예에 있어서, 상기 CFAR 알고리즘은 CA-CFAR 알고리즘을 포함할 수 있다.
일 실시예에 있어서, 상기 제1 레이더 수신 신호는 필드 테스트 환경에서 획득될 수 있다.
일 실시예에 있어서, 상기 제1 레이더 수신 신호에 DNN 훈련을 수행하는 단계는 상기 제1 레이더 수신 신호를 이용하여 레이블링 처리를 위한 제1 데이터를 생성하는 단계; 상기 제1 데이터에 레이블링 처리를 수행하는 단계; 및 상기 레이블링 처리된 제1 데이터에 상기 DNN 훈련을 수행하여 DNN 훈련 정보를 생성하는 단계를 포함할 수 있다.
일 실시예에 있어서, 상기 제1 데이터는 RDmap 데이터를 포함할 수 있다.
일 실시예에 있어서, 상기 DNN 훈련 정보는 레이블링 정보, 웨이트 메트릭스 데이터 및 바이어스 데이터를 포함할 수 있다.
일 실시예에 있어서, 상기 제1 데이터에 레이블링 처리를 수행하는 단계는 상기 표적 신호에 데이터 레이블링을 수행하는 단계; 및 상기 클러터 신호에 데이터 레이블링을 수행하는 단계를 포함할 수 있다.
일 실시예에 있어서, 상기 훈련된 DNN에 기초하여 상기 제2 레이더 수신 신호에 DNN 추론을 수행하여 상기 클러터 신호를 제거하는 단계는 상기 제2 레이더 수신 신호에 기초하여 제2 데이터를 생성하는 단계; 및 상기 DNN 훈련 정보에 기초하여, 상기 제2 데이터에 상기 DNN 추론을 수행하여 상기 클러터 신호가 제거된 데이터를 생성하는 단계를 포함할 수 있다.
일 실시예에 있어서, 상기 제2 레이더 수신 신호에 기초하여 제2 데이터를 생성하는 단계는 상기 제2 레이더 수신 신호에 도플러 처리를 수행하는 단계; 및 상기 도플러 처리된 제2 레이더 수신 신호에 기초하여 상기 제2 데이터를 생성하는 단계를 포함할 수 있다.
일 실시예에 있어서, 상기 제2 데이터는 RDmap 데이터를 포함할 수 있다.
일 실시예에 있어서, 상기 DNN 훈련 정보에 기초하여, 상기 제2 데이터에 상기 DNN 추론을 수행하여 상기 클러터 신호가 제거된 데이터를 생성하는 단계는 상기 제2 데이터에 엔코딩 처리를 수행하는 단계; 상기 DNN 훈련 정보에 기초하여, 상기 엔코딩 처리된 제2 데이터로부터 특징맵을 생성하는 단계; 및 상기 DNN 훈련 정보 및 상기 특징맵에 기초하여 상기 엔코딩 처리된 제2 데이터에 디코딩 처리를 수행하여 상기 클러터 신호가 제거된 제2 데이터를 생성하는 단계를 포함할 수 있다.
일 실시예에 있어서, 상기 제2 데이터에 엔코딩 처리를 수행하는 단계는 상기 제2 데이터의 데이터 크기를 절반의 크기로 감소시키는 컨벌루션부를 복수개 포함하는 엔코더를 이용하여 상기 제2 데이터에 엔코딩 처리를 수행하는 단계를 포함할 수 있다.
일 실시예에 있어서, 상기 컨벌루션부는 2×2 크기를 갖는 컨벌루션 필터를 포함할 수 있다.
일 실시예에 있어서, 상기 특징맵은 상기 해상 이동 표적, 클러터 및 노이즈에 대한 압축된 정보를 포함할 수 있다.
일 실시예에 있어서, 상기 DNN 훈련 정보 및 상기 특징맵에 기초하여 상기 엔코딩 처리된 제2 데이터에 디코딩 처리를 수행하여 상기 클러터 신호가 제거된 제2 데이터를 생성하는 단계는 상기 엔코딩 처리된 제2 데이터의 데이터 크기를 2배의 크기로 증가시키는 전치 컨벌루션부를 복수개 포함하는 디코더를 이용하여 상기 엔코딩 처리된 제2 데이터에 디코딩 처리를 수행하는 단계를 포함할 수 있다.
일 실시예에 있어서, 상기 전치 컨벌루션부는 2×2 크기를 갖는 전치 컨벌루션 필터를 포함할 수 있다.
본 발명의 다양한 실시예에 따르면, 기존의 영상 인식 및 분류에서 적용한 CNN 구조와 다르게 소형 표적의 특징을 추출하기 위해 컨벌루션 필터의 커널 크기를 2×2로 줄일 수 있다.
또한, 기존의 영상 인식에 적용된 CNN 구조에서 연산량을 줄이기 위해 사용되었던 풀링 계층(pooling layer)를 제거할 수 있고, 풀링 계층을 제거함으로써, 다운 샘플링(down-sampling) 과정에서 소형 표적의 특징이 소실되는 것을 방지할 수 있다.
또한, 해상 표적의 신호 크기가 작아 클러터 신호에 의해 가려져 표적의 탐지가 불가능할 때 CNN 추론을 수행하여 클러터 신호를 제거할 수 있어, 대상 표적에 대한 탐지가 가능하다.
더욱이, 본 발명의 다양한 실시예에 따르면, 클러터 환경 하의 소형 및 저속 표적을 탐지하는 해상 레이더 시스템에 활용될 수 있다.
도 1은 본 발명의 일 실시예에 따른 레이더 시스템을 개략적으로 나타낸 블록도이다.
도 2는 본 발명의 일 실시예에 따른 프로세서의 구성을 개략적으로 나타낸 블록도이다.
도 3a는 본 발명의 일 실시예에 따른 제1 RDmap 데이터를 나타낸 예시도이다.
도 3b는 본 발명의 일 실시예에 따른 표적 신호 및 클러터 신호에 데이터 레이블링을 수행한 예시도이다.
도 4는 본 발명의 일 실시예에 따른 엔코더의 구성을 개략적으로 나타낸 블록도이다.
도 5는 본 발명의 일 실시예에 따른 엔코더의 엔코딩 처리를 나타낸 예시도이다.
도 6은 본 발명의 일 실시예에 따른 디코더의 구성을 개략적으로 나타낸 블록도이다.
도 7은 본 발명의 일 실시예에 따른 디코더의 디코딩 처리를 나타낸 예시도이다.
도 8은 본 발명의 일 실시예에 따라 해상 이동 표적을 탐지하는 방법을 나타낸 흐름도이다.
도 9는 본 발명의 일 실시예에 따른 해상 이동 표적을 탐지한 결과를 나타낸 예시도이다.
도 10은 본 발명의 일 실시예에 따라 DNN 훈련을 수행하는 방법을 나타낸 흐름도이다.
도 11은 본 발명의 일 실시예에 따라 DNN 추론을 수행하는 방법을 나타낸 흐름도이다.
도 12a는 본 발명의 일 실시예에 따른 DNN 추론을 수행하기 전의 제2 RDmap 데이터를 나타낸 예시도이다.
도 12b는 본 발명의 일 실시예에 따른 DNN 추론을 수행한 후의 제2 RDmap 데이터를 나타낸 예시도이다.
도 2는 본 발명의 일 실시예에 따른 프로세서의 구성을 개략적으로 나타낸 블록도이다.
도 3a는 본 발명의 일 실시예에 따른 제1 RDmap 데이터를 나타낸 예시도이다.
도 3b는 본 발명의 일 실시예에 따른 표적 신호 및 클러터 신호에 데이터 레이블링을 수행한 예시도이다.
도 4는 본 발명의 일 실시예에 따른 엔코더의 구성을 개략적으로 나타낸 블록도이다.
도 5는 본 발명의 일 실시예에 따른 엔코더의 엔코딩 처리를 나타낸 예시도이다.
도 6은 본 발명의 일 실시예에 따른 디코더의 구성을 개략적으로 나타낸 블록도이다.
도 7은 본 발명의 일 실시예에 따른 디코더의 디코딩 처리를 나타낸 예시도이다.
도 8은 본 발명의 일 실시예에 따라 해상 이동 표적을 탐지하는 방법을 나타낸 흐름도이다.
도 9는 본 발명의 일 실시예에 따른 해상 이동 표적을 탐지한 결과를 나타낸 예시도이다.
도 10은 본 발명의 일 실시예에 따라 DNN 훈련을 수행하는 방법을 나타낸 흐름도이다.
도 11은 본 발명의 일 실시예에 따라 DNN 추론을 수행하는 방법을 나타낸 흐름도이다.
도 12a는 본 발명의 일 실시예에 따른 DNN 추론을 수행하기 전의 제2 RDmap 데이터를 나타낸 예시도이다.
도 12b는 본 발명의 일 실시예에 따른 DNN 추론을 수행한 후의 제2 RDmap 데이터를 나타낸 예시도이다.
본 발명의 실시예들은 본 발명의 기술적 사상을 설명하기 위한 목적으로 예시된 것이다. 본 발명에 따른 권리범위가 이하에 제시되는 실시예들이나 이들 실시예들에 대한 구체적 설명으로 한정되는 것은 아니다.
본 발명에 사용되는 모든 기술적 용어들 및 과학적 용어들은, 달리 정의되지 않는 한, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에게 일반적으로 이해되는 의미를 갖는다. 본 발명에 사용되는 모든 용어들은 본 발명을 더욱 명확히 설명하기 위한 목적으로 선택된 것이며 본 발명에 따른 권리범위를 제한하기 위해 선택된 것이 아니다.
본 발명에서 사용되는 "포함하는", "구비하는", "갖는" 등과 같은 표현은, 해당 표현이 포함되는 어구 또는 문장에서 달리 언급되지 않는 한, 다른 실시예를 포함할 가능성을 내포하는 개방형 용어(open-ended terms)로 이해되어야 한다.
본 발명에서 기술된 단수형의 표현은 달리 언급하지 않는 한 복수형의 의미를 포함할 수 있으며, 이는 청구범위에 기재된 단수형의 표현에도 마찬가지로 적용된다.
본 발명에서 사용되는 "제1", "제2" 등의 표현들은 복수의 구성요소들을 상호 구분하기 위해 사용되며, 해당 구성요소들의 순서 또는 중요도를 한정하는 것은 아니다.
본 발명에서 사용되는 용어 "부"는, 소프트웨어, 또는 FPGA(field-programmable gate array), ASIC(application specific integrated circuit)과 같은 하드웨어 구성요소를 의미한다. 그러나, "부"는 하드웨어 및 소프트웨어에 한정되는 것은 아니다. "부"는 어드레싱할 수 있는 저장 매체에 있도록 구성될 수도 있고, 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다. 따라서, 일 예로서, "부"는 소프트웨어 구성요소들, 객체지향 소프트웨어 구성요소들, 클래스 구성요소들 및 태스크 구성요소들과 같은 구성요소들과, 프로세스, 함수, 속성, 프로시저, 서브루틴, 프로그램 코드의 세그먼트, 드라이버, 펌웨어, 마이크로코드, 회로, 데이터, 데이터베이스, 데이터 구조, 테이블, 어레이 및 변수를 포함한다. 구성요소와 "부" 내에서 제공되는 기능은 더 작은 수의 구성요소 및 "부"로 결합되거나 추가적인 구성요소와 "부"로 분리될 수 있다.
본 발명에서 사용되는 "~에 기초하여"라는 표현은, 해당 표현이 포함되는 어구 또는 문장에서 기술되는, 결정 판단의 행위 또는 동작에 영향을 주는 하나 이상의 인자를 기술하는데 사용되며, 이 표현은 결정, 판단의 행위 또는 동작에 영향을 주는 추가적인 인자를 배제하지 않는다.
본 발명에서, 어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 경우, 어떤 구성요소가 다른 구성요소에 직접적으로 연결될 수 있거나 접속될 수 있는 것으로, 또는 새로운 다른 구성요소를 매개로 하여 연결될 수 있거나 접속될 수 있는 것으로 이해되어야 한다.
이하, 첨부된 도면들을 참조하여 본 발명의 실시예들을 설명한다. 첨부된 도면에서, 동일하거나 대응하는 구성요소에는 동일한 참조부호가 부여되어 있다. 또한, 이하의 실시예들의 설명에 있어서, 동일하거나 대응하는 구성요소를 중복하여 기술하는 것이 생략될 수 있다. 그러나, 구성요소에 관한 기술이 생략되어도, 그러한 구성요소가 어떤 실시예에 포함되지 않는 것으로 의도되지는 않는다.
도 1은 본 발명의 일 실시예에 따른 레이더 시스템을 개략적으로 나타낸 블록도이다. 도 1을 참조하면, 레이더 시스템(100)은 레이더 센서(110), 저장부(120), 프로세서(130) 및 제어부(140)를 포함할 수 있다.
레이더 센서(110)는 레이더 신호를 생성하고, 생성된 레이더 신호를 방사할 수 있다. 또한, 레이더 센서(110)는 탐지하고자 하는 해상 이동 표적 등으로부터 반사되는 레이더 신호를 수신하여 레이더 수신 신호를 획득할 수 있다. 일 실시예에 있어서, 레이더 수신 신호는 탐지하고자 하는 해상 이동 표적에 해당하는 신호(이하, "표적 신호"라 함) 및 클러터 신호를 포함할 수 있다. 일 실시예에 있어서, 레이더 센서(110)는 필드 테스트(field test) 환경에서 레이더 신호를 방사하고 레이더 수신 신호를 획득할 수 있다.
저장부(120)는 레이더 센서(110)로부터 제공되는 레이더 수신 신호를 저장할 수 있다. 또한, 저장부(120)는 프로세서(130)에 의해 필터링 처리된 레이더 수신 신호를 저장할 수 있다.
일 실시예에 있어서, 저장부(120)는 자기 디스크(예를 들어, 자기 테이프, 플렉시블 디스크, 하드 디스크 등), 광 디스크(예를 들어, CD, DVD 등), 반도체 메모리(예를 들어, USB 메모리, 메모리 카드 등) 등을 포함할 수 있지만, 반드시 이에 한정되는 것은 아니다.
프로세서(130)는 레이더 센서(110)로부터 제공되는 레이더 수신 신호를 수신하고, 레이더 수신 신호에 기초하여 DNN(deep neural network) 훈련을 수행할 수 있다. 또한, 프로세서(130)는 훈련된 DNN에 기초하여, 레이더 센서(110)로부터 제공되는 레이더 수신 신호에 DNN 추론을 수행하여 레이더 수신 신호에서 클러터 신호를 제거할 수 있다. 더욱이, 프로세서(130)는 클러터 신호가 제거된 레이더 수신 신호에 CFAR(constant false alarm rate) 알고리즘을 수행하여 해상 이동 표적을 탐지할 수 있다.
일 실시예에 있어서, 프로세서(130)는 이상 기술된 제어 동작들 또는 이 동작들을 실행하는 프로그램 명령어를 실행할 수 있는 CPU(central processing unit), FPGA(field programmable gate array), ASIC(application specific integrated circuit) 등을 포함할 수 있지만, 반드시 이에 한정되는 것은 아니다.
제어부(140)는 레이더 센서(110), 저장부(120) 및 프로세서(130)에 연결되고, 레이더 시스템(100)의 각 구성요소의 동작을 제어할 수 있다. 일 실시예에 있어서, 제어부(140)는 레이더 신호의 송신 및 수신을 제어할 수 있다. 또한, 제어부(140)는 레이더 수신 신호의 DNN 훈련 및 DNN 추론을 제어할 수 있다.
도 2는 본 발명의 일 실시예에 따른 프로세서의 구성을 개략적으로 나타낸 블록도이다. 도 2를 참조하면, 프로세서(130)는 제1 신호 처리부(210), 제2 신호 처리부(220) 및 제3 신호 처리부(230)를 포함할 수 있다.
제1 신호 처리부(210)는 레이더 센서(110)로부터 제공되는 레이더 수신 신호에 DNN 훈련을 수행할 수 있다. 일 실시예에 있어서, 레이더 수신 신호는 필드 테스트 환경에서 획득된 레이더 수신 신호일 수 있다. 일 실시예에 있어서, 제1 신호 처리부(210)는 도 2에 도시된 바와 같이, 제1 데이터 생성부(211), 레이블링 처리부(212) 및 DNN 훈련부(213)를 포함할 수 있다.
제1 데이터 생성부(211)는 레이더 센서(110)로부터 제공되는 레이더 수신 신호를 이용하여 레이블링 처리를 위한 데이터를 생성할 수 있다. 일 실시예에 있어서, 레이블링 처리를 위한 데이터는 RDmap 데이터(이하, "제1 RDmap 데이터"라 함)를 포함할 수 있다.
레이블링 처리부(212)는 제1 데이터 생성부(211)에 연결되고, 제1 데이터 생성부(211)에 의해 생성된 제1 RDmap 데이터를 수신할 수 있다. 레이블링 처리부(212)는 제1 RDmap 데이터에 레이블링(labeling) 처리를 수행할 수 있다. 일 실시예에 있어서, 레이블링 처리부(212)는 제1 RDmap 데이터에 레이블링 처리를 수행하여, 표적 신호에 데이터 레이블링을 수행하고, 클러터 신호에 데이터 레이블링을 수행할 수 있다.
예를 들면, 레이블링 처리부(212)는 도 3a에 도시된 바와 같이, 표적 신호(310), 클러터 신호(320) 및 노이즈 신호(330)를 포함하는 제1 RDmap 데이터를 수신할 수 있다. 레이블링 처리부(212)는 도 3b에 도시된 바와 같이, 제1 RDmap 데이터에 레이블링 처리를 수행하여, 표적 신호(310)에 데이터 레이블링(310')을 수행하고, 클러터 신호(320)에 데이터 레이블링(320')을 수행할 수 있다.
DNN 훈련부(213)는 레이블링 처리부(212)에 연결되고, 레이블링 처리부(212)에 의해 레이블링 처리된 제1 RDmap 데이터를 수신할 수 있다. DNN 훈련부(213)는 수신된 제1 RDmap 데이터에 DNN 훈련을 수행하여 DNN 훈련 정보를 생성할 수 있다. 일 실시예에 있어서, DNN 훈련 정보는 레이블링 정보, 웨이트 메트릭스(weight matrix) 데이터 및 바이어스(bias) 데이터를 포함할 수 있다.
제2 신호 처리부(220)는 레이더 센서(110)로부터 제공되는 레이더 수신 신호에 기초하여 RDmap 데이터(이하, "제2 RDmap 데이터"라 함)를 생성할 수 있다. 일 실시예에 있어서, 제2 신호 처리부(220)는 도 2에 도시된 바와 같이, 도플러 처리부(221) 및 제2 데이터 생성부(222)를 포함할 수 있다.
도플러 처리부(221)는 레이더 센서(110)로부터 레이더 수신 신호를 수신하고, 수신된 레이더 수신 신호에 도플러 처리를 수행할 수 있다. 일 실시예에 있어서, 레이더 수신 신호는 실제 환경에서 레이더 센서(110)에 의해 레이더 신호(레이더 파형)가 방사되고, 탐지하고자 하는 표적 등으로부터 반사되는 레이더 신호의 썸 채널(sum channel) 데이터일 수 있다.
제2 데이터 생성부(222)는 도플러 처리부(221)에 연결되고, 도플러 처리부(221)에 의해 도플러 처리된 레이더 수신 신호를 수신할 수 있다. 제2 데이터 생성부(222)는 도플러 처리된 레이더 수신 신호에 기초하여 제2 RDmap 데이터를 생성할 수 있다.
제3 신호 처리부(230)는 제1 신호 처리부(210) 및 제2 신호 처리부(220)에 연결되고, 제1 신호 처리부(210)로부터 DNN 훈련 정보를 수신하고, 제2 신호 처리부(220)로부터 제2 RDmap 데이터를 수신할 수 있다. 제3 신호 처리부(230)는 DNN 훈련 정보에 기초하여, 제2 RDmap 데이터에 DNN 추론을 수행하여 클러터 신호가 제거된 RDmap 데이터를 생성할 수 있다. 또한, 제3 신호 처리부(230)는 클러터 신호가 제거된 RDmap 데이터에 CFAR 알고리즘을 수행하여 해상 이동 표적을 탐지할 수 있다.
일 실시예에 있어서, 제3 신호 처리부(230)는 엔코더(231), 특징맵 생성부(232), 디코더(233), CFAR 알고리즘 처리부(234) 및 표적 탐지부(236)를 포함할 수 있다.
엔코더(231)는 제2 신호 처리부(220)에 의해 생성된 제2 RDmap 데이터를 수신할 수 있다. 엔코더(231)는 제2 RDmap 데이터에 엔코딩(encoding) 처리를 수행할 수 있다. 일 실시예에 있어서, 엔코더(231)는 제2 RDmap 데이터에서 저속 및 소형 표적의 특징을 추출하기 위해 엔코딩 처리를 수행할 수 있다.
일 실시예에 있어서, 엔코더(231)는 제2 RDmap 데이터를 m×n으로 잘라서 엔코딩 처리를 수행할 수 있다. 예를 들면, 엔코더(231)는 도 4에 도시된 바와 같이, 제1 컨벌루션부(410), 제2 컨벌루션부(420), 제3 컨벌루션부(430) 및 제4 컨벌루션부(440)를 포함할 수 있다.
제1 컨벌루션부(410)는 제2 RDmap 데이터의 크기를 절반으로 감소시키는 엔코딩 처리를 수행할 수 있다. 예를 들면, 제1 컨벌루션부(410)는 도 5에 도시된 바와 같이, 256×256 크기를 갖는 제2 RDmap 데이터를 절반 크기(즉, 128×128)를 갖는 제2 RDmap 데이터로 데이터 크기를 감소시키기 위한 엔코딩 처리를 수행할 수 있다. 여기서, 제1 컨벌루션부(410)는 2×2 크기를 갖는 컨벌루션 필터(즉, 커널 마스크)를 이용할 수 있다. 이때, 커널 마스크를 다음 컨벌루션 연산을 위해 이동시키는 스트라이트(stride)는 2이고, 컨벌루션 결과의 크기를 조정하기 위해 입력 배열의 둘레를 확장하고 0으로 채우는 패딩(padding)은 0일 수 있다.
제2 컨벌루션부(420)는 제1 컨벌루션부(410)에 연결되고, 제1 컨벌루션부(410)에 의해 엔코딩 처리된 제2 RDmap 데이터를 수신할 수 있다. 제2 컨벌루션부(420)는 수신된 제2 RDmap 데이터의 크기를 절반으로 감소시키는 엔코딩 처리를 수행할 수 있다. 예를 들면, 제2 컨벌루션부(420)는 도 4에 도시된 바와 같이, 128×128 크기를 갖는 제2 RDmap 데이터를 절반 크기(즉, 64×64)를 갖는 제2 RDmap 데이터로 데이터 크기를 감소시키기 위한 엔코딩 처리를 수행할 수 있다. 여기서, 제2 컨볼루션부(420)는 2×2 크기를 갖는 컨벌루션 필터(즉, 커널 마스크)를 이용할 수 있다. 이때, 커널 마스크를 다음 컨벌루션 연산을 위해 이동시키는 스트라이트는 2이고, 컨벌루션 결과의 크기를 조정하기 위해 입력 배열의 둘레를 확장하고 0으로 채우는 패딩은 0일 수 있다.
제3 컨벌루션부(430)는 제2 컨벌루션부(420)에 연결되고, 제2 컨벌루션부(420)에 의해 엔코딩 처리된 제2 RDmap 데이터를 수신할 수 있다. 제3 컨벌루션부(430)는 수신된 제2 RDmap 데이터의 크기를 절반으로 감소시키는 엔코딩 처리를 수행할 수 있다. 예를 들면, 제3 컨벌루션부(430)는 도 4에 도시된 바와 같이, 64×64 크기를 갖는 제2 RDmap 데이터를 절반 크기(즉, 32×32)를 갖는 제2 RDmap 데이터로 데이터 크기를 감소시키기 위한 엔코딩 처리를 수행할 수 있다. 여기서, 제3 컨볼루션부(430)는 2×2 크기를 갖는 컨벌루션 필터(즉, 커널 마스크)를 이용할 수 있다. 이때, 커널 마스크를 다음 컨벌루션 연산을 위해 이동시키는 스트라이트는 2이고, 컨벌루션 결과의 크기를 조정하기 위해 입력 배열의 둘레를 확장하고 0으로 채우는 패딩은 0일 수 있다.
제4 컨벌루션부(440)는 제3 컨벌루션부(430)에 연결되고, 제3 컨벌루션부(430)에 의해 엔코딩 처리된 제2 RDmap 데이터를 수신할 수 있다. 제4 컨벌루션부(440)는 수신된 제2 RDmap 데이터에 엔코딩 처리를 수행할 수 있다. 예를 들면, 제4 컨벌루션부(440)는 도 4에 도시된 바와 같이, 32×32 크기를 갖는 제2 RDmap 데이터를 32×32 크기를 갖는 제2 RDmap 데이터로 엔코딩 처리를 수행할 수 있다. 여기서, 제4 컨볼루션부(440)는 2×2 크기를 갖는 컨벌루션 필터(즉, 커널 마스크)를 이용할 수 있다. 이때, 커널 마스크를 다음 컨벌루션 연산을 위해 이동시키는 스트라이트는 2이고, 컨벌루션 결과의 크기를 조정하기 위해 입력 배열의 둘레를 확장하고 0으로 채우는 패딩은 0일 수 있다.
특징맵 생성부(232)는 엔코더(231)에 연결되고, 엔코더(231)에 의해 엔코딩 처리된 제2 RDmap 데이터를 수신할 수 있다. 특징맵 생성부(232)는 DNN 훈련 정보에 기초하여, 수신된 제2 RDmap 데이터로부터 특징맵을 생성할 수 있다. 일 실시예에 있어서, 특징맵은 해상 이동 표적, 클러터 및 노이즈에 대한 압축된 정보를 포함할 수 있다.
디코더(233)는 특징맵 생성부(232)에 연결되고, 특징맵 생성부(232)에 의해 생성된 특징맵을 수신할 수 있다. 디코더(233)는 DNN 훈련 정보에 기초하여 특징맵으로부터 저속 및 낮은 RCS의 표적의 특징을 선택하고, 표적 데이터를 포함하는 RDmap 데이터를 원래 크기의 RDmap 데이터를 복원하고 클러터 신호를 제거할 수 있다. 일 실시예에 있어서, 디코더(233)는 도 6에 도시된 바와 같이, 제1 전치 컨벌루션(transposed convolution)부(610), 제2 전치 컨벌루션부(620), 제3 전치 컨벌루션부(630) 및 제4 전치 컨벌루션부(640)를 포함할 수 있다.
제1 전치 컨벌루션부(610)는 제2 RDmap 데이터에 디코딩(decoding) 처리를 수행할 수 있다. 예를 들면, 제1 전치 컨벌루션부(610)는 도 7에 도시된 바와 같이, 32×32 크기를 갖는 제2 RDmap 데이터를 32×32 크기를 갖는 제2 RDmap 데이터로 디코딩 처리를 수행할 수 있다. 예를 들면, 제1 전치 컨벌루션부(610)는 도 7에 도시된 바와 같이, 32×32 크기를 갖는 제2 RDmap 데이터를 32×32 크기를 갖는 제2 RDmap 데이터로 디코딩 처리를 수행할 수 있다. 여기서, 제1 전치 컨벌루션부(610)는 2×2 크기를 갖는 전치 컨벌루션 필터(즉, 커널 마스크)를 이용할 수 있다. 이때, 커널 마스크를 다음 전치 컨벌루션 연산을 위해 이동시키는 스트라이트는 2이고, 전치 컨벌루션 결과의 크기를 조정하기 위해 입력 배열의 둘레를 확장하고 0으로 채우는 패딩은 0일 수 있다.
제2 전치 컨벌루션부(620)는 제1 전치 컨벌루션부(610)에 연결되고, 제1 전치 컨벌루션부(610)에 의해 디코딩 처리된 제2 RDmap 데이터를 수신할 수 있다. 제2 전치 컨벌루션부(620)는 수신된 제2 RDmap 데이터의 크기를 2배 크기로 증가시키는 디코딩 처리를 수행할 수 있다. 예를 들면, 제2 전치 컨벌루션부(620)는 도 7에 도시된 바와 같이, 32×32 크기를 갖는 제2 RDmap 데이터를 2배 크기(즉, 64×64)를 갖는 제2 RDmap 데이터로 데이터 크기를 증가시키기 위한 디코딩 처리를 수행할 수 있다. 여기서, 제2 전치 컨벌루션부(620)는 2×2 크기를 갖는 전치 컨벌루션 필터(즉, 커널 마스크)를 이용할 수 있다. 이때, 커널 마스크를 다음 전치 컨벌루션 연산을 위해 이동시키는 스트라이트는 2이고, 전치 컨벌루션 결과의 크기를 조정하기 위해 입력 배열의 둘레를 확장하고 0으로 채우는 패딩은 0일 수 있다.
제3 전치 컨벌루션부(630)는 제2 전치 컨벌루션부(620)에 연결되고, 제2 전치 컨벌루션부(620)에 의해 디코딩 처리된 제2 RDmap 데이터를 수신할 수 있다. 제3 전치 컨벌루션부(630)는 수신된 제2 RDmap 데이터의 크기를 2배 크기로 증가시키는 디코딩 처리를 수행할 수 있다. 예를 들면, 제3 전치 컨벌루션부(630)는 도 6에 도시된 바와 같이, 64×64 크기를 갖는 제2 RDmap 데이터를 2배 크기(즉, 128×128)를 갖는 제2 RDmap 데이터로 데이터 크기를 증가시키기 위한 디코딩 처리를 수행할 수 있다. 여기서, 제3 전치 컨벌루션부(630)는 2×2 크기를 갖는 전치 컨벌루션 필터(즉, 커널 마스크)를 이용할 수 있다. 이때, 커널 마스크를 다음 전치 컨벌루션 연산을 위해 이동시키는 스트라이트는 2이고, 전치 컨벌루션 결과의 크기를 조정하기 위해 입력 배열의 둘레를 확장하고 0으로 채우는 패딩은 0일 수 있다.
제4 전치 컨벌루션부(640)는 제3 전치 컨벌루션부(630)에 연결되고, 제3 전치 컨벌루션부(630)에 의해 디코딩 처리된 제2 RDmap 데이터를 수신할 수 있다. 제4 전치 컨벌루션부(640)는 수신된 제2 RDmap 데이터의 크기를 2배 크기로 증가시키는 디코딩 처리를 수행할 수 있다. 예를 들면, 제4 전치 컨벌루션부(640)는 도 7에 도시된 바와 같이, 128×128 크기를 갖는 제2 RDmap 데이터를 2배 크기(즉, 2568×256)를 갖는 제2 RDmap 데이터로 데이터 크기를 증가시키기 위한 디코딩 처리를 수행할 수 있다. 여기서, 제4 전치 컨벌루션부(640)는 2×2 크기를 갖는 전치 컨벌루션 필터(즉, 커널 마스크)를 이용할 수 있다. 이때, 커널 마스크를 다음 전치 컨벌루션 연산을 위해 이동시키는 스트라이트는 2이고, 전치 컨벌루션 결과의 크기를 조정하기 위해 입력 배열의 둘레를 확장하고 0으로 채우는 패딩은 0일 수 있다.
CFAR 알고리즘 처리부(234)는 클러터 신호가 제거된 제2 레이더 수신 신호에 CFAR 알고리즘을 수행할 수 있다. 일 실시예에 있어서, CFAR 알고리즘 처리부(234)는 클러터 신호가 제거된 RDmap 데이터에 CA-CFAR(cell average constant false alarm rate) 알고리즘을 수행할 수 있다.
표적 탐지부(235)는 CA-CFAR 알고리즘 처리된 레이더 수신 신호에서 해상 이동 표적을 탐지할 수 있다. 일 실시예에 있어서, 표적 탐지부(235)는 CA-CFAR 알고리즘 처리된 RDmap 데이터로부터 해상 이동 표적을 탐지할 수 있다.
본 발명에 도시된 흐름도에서 프로세스 단계들, 방법 단계들, 알고리즘들 등이 순차적인 순서로 설명되었지만, 그러한 프로세스들, 방법들 및 알고리즘들은 임의의 적합한 순서로 작동되도록 구성될 수 있다. 다시 말하면, 본 발명의 다양한 실시예들에서 설명되는 프로세스들, 방법들 및 알고리즘들의 단계들이 본 발명에서 기술된 순서로 수행될 필요는 없다. 또한, 일부 단계들이 비동시적으로 수행되는 것으로서 설명되더라도, 다른 실시예에서는 이러한 일부 단계들이 동시에 수행될 수 있다. 또한, 도면에서의 묘사에 의한 프로세스의 예시는 예시된 프로세스가 그에 대한 다른 변화들 및 수정들을 제외하는 것을 의미하지 않으며, 예시된 프로세스 또는 그의 단계들 중 임의의 것이 본 발명의 다양한 실시예들 중 하나 이상에 필수적임을 의미하지 않으며, 예시된 프로세스가 바람직하다는 것을 의미하지 않는다.
도 8은 본 발명의 일 실시예에 따라 해상 이동 표적을 탐지하는 방법을 나타낸 흐름도이다. 도 8을 참조하면, 단계 S802에서, 레이더 센서(110)는 탐지하고자 하는 표적에 해당하는 표적 신호 및 클러터 신호를 포함하는 제1 레이더 수신 신호를 획득할 수 있다. 일 실시예에 있어서, 레이더 센서(110)는 필드 테스트 환경에서 레이더 신호를 방사하여 제1 레이더 수신 신호를 획득할 수 있다.
단계 S804에서, 프로세서(130)는 제1 레이더 수신 신호에 DNN 훈련을 수행할 수 있다. 일 실시예에 있어서, 프로세서(130)의 제1 신호 처리부(210)는 제1 레이더 수신 신호에 DNN 훈련을 수행하여 DNN 훈련 정보를 생성할 수 있다.
단계 S806에서, 레이더 센서(110)는 표적에 해당하는 표적 신호 및 클러터 신호를 포함하는 제2 레이더 수신 신호를 획득할 수 있다. 일 실시예에 있어서, 레이더 센서(110)는 실제 환경에서 레이더 신호(레이더 파형)를 방사하고 탐지하고자 하는 표적 등으로부터 반사되는 레이더 신호를 수신하여 제2 레이더 수신 신호를 획득할 수 있다. 예를 들면, 제2 레이더 수신 신호는 표적 등으로부터 반사되는 레이더 신호의 썸 채널 데이터일 수 있다.
단계 S808에서, 프로세서(130)는 훈련된 DNN에 기초하여 제2 레이더 수신 신호에 DNN 추론을 수행하여 클러터 신호를 제거할 수 있다. 일 실시예에 있어서, 프로세서(130)의 제2 신호 처리부(220)는 제2 레이더 수신 신호에 기초하여 제2 데이터(예를 들어, 제2 RDmap 데이터)를 생성하고, 제3 신호 처리부(230)는 DNN 훈련 정보에 기초하여, 제2 데이터에 DNN 추론을 수행하여 클러터 신호가 제거된 제2 데이터를 생성할 수 있다.
선택적으로, 단계 S806 및 단계 S808은 시험 종료까지 반복 수행될 수 있다.
단계 S810에서, 프로세서(130)는 클러터 신호가 제거된 제2 레이더 수신 신호에 CFAR 알고리즘을 수행하여 해상 이동 표적을 탐지할 수 있다. 일 실시예에 있어서, 프로세서(130)의 제3 신호 처리부(230)는 클러터 신호가 제거된 제2 데이터에 CA-CFAR 알고리즘을 수행하여 해상 이동 표적을 탐지할 수 있다. 예를 들면, 입력 데이터(표적 속도: 20m/s, 40m/s, 60m/s, 80m/s, SCNR:5dB)가 DNN 추론 및 표적 탐지 과정을 통해, 도 9의 붉은색 원으로 도시된 바와 같이, 해상 이동 표적이 정상적으로 탐지되는 것을 확인할 수 있다.
도 10은 본 발명의 일 실시예에 따라 DNN 훈련을 수행하는 방법을 나타낸 흐름도이다. 도 10을 참조하면, 단계 S1002에서, 프로세서(130)는 제1 레이더 수신 신호를 이용하여 레이블링 처리를 위한 제1 데이터를 생성할 수 있다. 일 실시예에 있어서, 프로세서(130)의 제1 신호 처리부(210)는 제1 레이더 수신 신호를 이용하여 레이블링 처리를 위한 제1 데이터(예를 들어, 제1 RDmap 데이터)를 생성할 수 있다.
단계 S1004에서, 프로세서(130)는 제1 데이터에 레이블링 처리를 수행할 수 있다. 일 실시예에 있어서, 프로세서(130)의 제1 신호 처리부(210)는 표적 신호에 데이터 레이블링을 수행하고, 클러터 신호에 데이터 레이블링을 수행할 수 있다.
단계 S1006에서, 프로세서(130)는 레이블링 처리된 제1 데이터에 DNN 훈련을 수행하여 DNN 훈련 정보를 생성할 수 있다. 일 실시예에 있어서, 프로세서(130)의 제1 신호 처리부(210)는 제1 데이터(예를 들어, 제1 RDmap 데이터)에 DNN 훈련을 수행하여 DNN 훈련 정보를 생성할 수 있다. 예를 들면, DNN 훈련 정보는 레이블링 정보, 웨이트 메트릭스 데이터 및 바이어스 데이터를 포함할 수 있다.
도 11은 본 발명의 일 실시예에 따라 DNN 추론을 수행하는 방법을 나타낸 흐름도이다. 도 11을 참조하면, 단계 S1102에서, 프로세서(130)는 제2 레이더 수신 신호에 도플러 처리를 수행할 수 있다. 일 실시예에 있어서, 프로세서(130)의 제2 신호 처리부(220)는 제2 레이더 수신 신호에 도플러 처리를 수행할 수 있다.
단계 S1104에서, 프로세서(130)는 도플러 처리된 제2 레이더 수신 신호에 기초하여 제2 데이터를 생성할 수 있다. 일 실시예에 있어서, 프로세서(130)의 제2 신호 처리부(220)는 도플러 처리된 제2 레이더 수신 신호에 기초하여 제2 데이터(예를 들어, 제2 RDmap 데이터)를 생성할 수 있다.
단계 S1106에서, 프로세서(130)는 제2 데이터에 엔코딩 처리를 수행할 수 있다. 일 실시예에 있어서, 프로세서(130)의 제3 신호 처리부(230)는 제2 데이터(예를 들어, 제2 RDmap 데이터)의 데이터 크기를 절반의 크기로 감소시키는 컨벌루션부를 복수개 포함하는 엔코더를 이용하여 제2 데이터에 엔코딩 처리를 수행할 수 있다.
단계 S1108에서, 프로세서(130)는 DNN 훈련 정보에 기초하여, 엔코딩 처리된 제2 데이터로부터 특징맵을 생성할 수 있다. 일 실시예에 있어서, 프로세서(130)의 제3 신호 처리부(230)는 DNN 훈련 정보에 기초하여, 엔코딩 처리된 제2 데이터로부터 특징맵을 생성할 수 있다.
단계 S1110에서, 프로세서(130)는 DNN 훈련 정보 및 특징맵에 기초하여 엔코딩 처리된 제2 데이터에 디코딩 처리를 수행하여 클러터 신호가 제거된 제2 데이터를 생성할 수 있다. 일 실시예에 있어서, 프로세서(130)의 제3 신호 처리부(230)는 엔코딩 처리된 제2 데이터의 데이터 크기를 2배의 크기로 증가시키는 전치 컨벌루션부를 복수개 포함하는 디코더를 이용하여 엔코딩 처리된 제2 데이터에 디코딩 처리를 수행할 수 있다.
예를 들면, 도 12a에서 붉은색 원으로 표시된 바와 같이, 표적 신호가 클러터 신호에 의해 묻혀 보이지 않는 경우, 본 실시예에 따른 DNN 추론을 수행함으로써, 도 12b에서 푸른색 원으로 표시된 바와 같이, 클러터 신호에 가려져 있던 표적 신호가 RDmap 데이터 상에 정상적으로 나타날 수 있다.
위 방법은 특정 실시예들을 통하여 설명되었지만, 위 방법은 또한 컴퓨터로 읽을 수 있는 기록매체에 컴퓨터가 읽을 수 있는 코드로서 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 기록매체는 컴퓨터 시스템에 의해 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다. 컴퓨터가 읽을 수 있는 기록매체의 예로는 ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광데이터 저장장치 등이 있다. 또한, 컴퓨터가 읽을 수 있는 기록매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어, 분산방식으로 컴퓨터가 읽을 수 있는 코드가 저장되고 실행될 수 있다. 그리고, 위 실시예들을 구현하기 위한 기능적인(functional) 프로그램, 코드 및 코드 세그먼트들은 본 발명이 속하는 기술분야의 프로그래머들에 의해 용이하게 추론될 수 있다.
이상 일부 실시예들과 첨부된 도면에 도시된 예에 의해 본 발명의 기술적 사상이 설명되었지만, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 이해할 수 있는 본 발명의 기술적 사상 및 범위를 벗어나지 않는 범위에서 다양한 치환, 변형 및 변경이 이루어질 수 있다는 점을 알아야 할 것이다. 또한, 그러한 치환, 변형 및 변경은 첨부된 청구범위 내에 속하는 것으로 생각되어야 한다.
100: 레이더 시스템, 110: 레이더 센서, 120: 저장부, 130: 프로세서, 140: 제어부, 210: 제1 신호 처리부, 211: 제1 데이터 생성부, 212: 레이블링 처리부, 213: DNN 훈련부, 220: 제2 신호 처리부, 221: 도플러 처리부, 222: 제2 데이터 생성부, 230: 제3 신호 처리부, 231: 엔코더, 232: 특징맵 생성부, 233: 디코더, 234: CFAR 알고리즘 처리부, 235: 표적 탐지부
Claims (32)
- 딥러닝 기반 레이더 시스템으로서,
탐지하고자 하는 해상 이동 표적에 해당하는 표적 신호 및 클러터 신호를 포함하는 제1 레이더 수신 신호를 획득하는 레이더 센서; 및
상기 제1 레이더 수신 신호에 기초하여 DNN(deep neural network) 훈련을 수행하는 프로세서
를 포함하고,
상기 레이더 센서는 상기 해상 이동 표적에 해당하는 상기 표적 신호 및 상기 클러터 신호를 포함하는 제2 레이더 수신 신호를 획득하고,
상기 프로세서는 상기 훈련된 DNN에 기초하여 상기 제2 레이더 수신 신호에 DNN 추론을 수행하여 상기 클러터 신호를 제거하고, 상기 클러터 신호가 제거된 제2 레이더 수신 신호에 CFAR(constant false alarm rate) 알고리즘을 수행하여 상기 해상 이동 표적을 탐지하고,
상기 프로세서는
상기 제1 레이더 수신 신호에 상기 DNN 훈련을 수행하여 DNN 훈련 정보를 생성하는 제1 신호 처리부;
상기 제2 레이더 수신 신호에 기초하여 제2 데이터를 생성하는 제2 신호 처리부; 및
상기 제2 데이터에 상기 DNN 추론을 수행하여 상기 클러터 신호가 제거된 데이터를 생성하고, 상기 클러터 신호가 제거된 제2 레이더 수신 신호에 상기 CFAR 알고리즘을 수행하여 상기 해상 이동 표적을 탐지하는 제3 신호 처리부
를 포함하고,
상기 제3 신호 처리부는 상기 제2 데이터의 크기를 절반으로 감소시키는 엔코딩(encoding) 처리를 복수회 수행하여 상기 표적, 클러터 및 노이즈에 대한 압축된 정보를 포함하는 특징맵을 생성하고, 상기 DNN 훈련 정보 및 상기 특징맵에 기초하여 상기 엔코딩 처리된 제2 데이터의 크기를 2배 증가시키는 디코딩(decoding) 처리를 복수회 수행하여 상기 클러터 신호를 제거하는 딥러닝 기반 레이더 시스템. - 제1항에 있어서, 상기 CFAR 알고리즘은 CA-CFAR(cell average constant false alarm rate) 알고리즘을 포함하는 딥러닝 기반 레이더 시스템.
- 제1항에 있어서, 상기 제1 레이더 수신 신호는 필드 테스트 환경에서 획득되는 딥러닝 기반 레이더 시스템.
- 삭제
- 제1항에 있어서, 상기 DNN 훈련 정보는 레이블링 정보, 웨이트 메트릭스(weight matrix) 데이터 및 바이어스(bias) 데이터를 포함하는 딥러닝 기반 레이더 시스템.
- 제1항에 있어서, 상기 제1 신호 처리부는
상기 제1 레이더 수신 신호를 이용하여 레이블링 처리를 위한 제1 데이터를 생성하는 제1 데이터 생성부;
상기 제1 데이터에 레이블링(labeling) 처리를 수행하는 레이블링 처리부; 및
상기 레이블링 처리된 제1 데이터에 상기 DNN 훈련을 수행하여 상기 DNN 훈련 정보를 생성하는 DNN 훈련부
를 포함하는 딥러닝 기반 레이더 시스템. - 제6항에 있어서, 상기 제1 데이터는 RDmap 데이터를 포함하는 딥러닝 기반 레이더 시스템.
- 제6항에 있어서, 상기 레이블링 처리부는 상기 제1 데이터에 상기 레이블링 처리를 수행하여, 상기 표적 신호에 데이터 레이블링을 수행하고, 상기 클러터 신호에 데이터 레이블링을 수행하는 딥러닝 기반 레이더 시스템.
- 제1항에 있어서, 상기 제2 신호 처리부는
상기 제2 레이더 수신 신호에 도플러 처리를 수행하는 도플러 처리부; 및
상기 도플러 처리된 제2 레이더 수신 신호에 기초하여 상기 제2 데이터를 생성하는 제2 데이터 생성부
를 포함하는 딥러닝 기반 레이더 시스템. - 제9항에 있어서, 상기 제2 데이터는 RDmap 데이터를 포함하는 딥러닝 기반 레이더 시스템.
- 제1항에 있어서, 상기 제3 신호 처리부는
상기 제2 데이터에 상기 엔코딩 처리를 수행하는 엔코더;
상기 DNN 훈련 정보에 기초하여, 상기 엔코딩 처리된 제2 데이터로부터 상기 특징맵을 생성하는 특징맵 생성부;
상기 DNN 훈련 정보 및 상기 특징맵에 기초하여 상기 엔코딩 처리된 제2 데이터에 상기 디코딩 처리를 수행하여 상기 클러터 신호가 제거된 제2 데이터를 생성하는 디코더;
상기 클러터 신호가 제거된 제2 레이더 수신 신호에 상기 CFAR 알고리즘을 수행하는 CFAR 알고리즘 처리부; 및
상기 CFAR 알고리즘 처리된 상기 제2 레이더 수신 신호에 기초하여 상기 해상 이동 표적을 탐지하는 표적 탐지부
를 포함하는 딥러닝 기반 레이더 시스템. - 제11항에 있어서, 상기 엔코더는 상기 제2 데이터의 데이터 크기를 절반의 크기로 감소시키는 제1 엔코딩 처리를 수행하는 제1 컨벌루션부, 상기 제1 엔코딩 처리된 제2 데이터의 크기를 절반의 크기로 감소시키는 제2 엔코딩 처리를 수행하는 제2 컨벌루션부, 및 상기 제2 엔코딩 처리된 제2 데이터의 크기를 절반의 크기로 감소시키는 제3 엔코딩 처리를 수행하는 제2 컨벌루션부를 포함하는 딥러닝 기반 레이더 시스템.
- 제12항에 있어서, 상기 제1 내지 제3 컨벌루션부는 2Х2 크기를 갖는 컨벌루션 필터를 포함하는 딥러닝 기반 레이더 시스템.
- 삭제
- 제11항에 있어서, 상기 디코더는 상기 엔코딩 처리된 제2 데이터의 데이터 크기를 2배의 크기로 증가시키는 제1 디코딩 처리를 수행하는 제1 전치 컨벌루션부, 상기 제1 디코딩 처리된 제2 데이터의 데이터 크기를 2배의 크기로 증가시키는 제2 디코딩 처리를 수행하는 제2 전치 컨벌루션부, 및 상기 제2 디코딩 처리된 제2 데이터의 데이터 크기를 2배의 크기로 증가시키는 제3 디코딩 처리를 수행하는 제3 전치 컨벌루션부를 포함하는 딥러닝 기반 레이더 시스템.
- 제15항에 있어서, 상기 제1 내지 제3 전치 컨벌루션부는 2Х2 크기를 갖는 전치 컨벌루션 필터를 포함하는 딥러닝 기반 레이더 시스템.
- 딥러닝 기반 레이더 시스템에서의 해상 이동 표적 탐지 방법으로서,
상기 레이더 시스템의 레이더 센서에서, 탐지하고자 하는 해상 이동 표적에 해당하는 표적 신호 및 클러터 신호를 포함하는 제1 레이더 수신 신호를 획득하는 단계;
상기 레이더 시스템의 프로세서에서, 상기 제1 레이더 수신 신호에 DNN 훈련을 수행하는 단계;
상기 레이더 센서에서, 상기 해상 이동 표적에 해당하는 표적 신호 및 클러터 신호를 포함하는 제2 레이더 수신 신호를 획득하는 단계;
상기 프로세서에서, 상기 훈련된 DNN에 기초하여 상기 제2 레이더 수신 신호에 DNN 추론을 수행하여 상기 클러터 신호를 제거하는 단계; 및
상기 프로세서에서, 상기 클러터 신호가 제거된 제2 레이더 수신 신호에 CFAR 알고리즘을 수행하여 상기 해상 이동 표적을 탐지하는 단계
를 포함하고,
상기 제1 레이더 수신 신호에 DNN 훈련을 수행하는 단계는
상기 제1 레이더 수신 신호에 상기 DNN 훈련을 수행하여 DNN 훈련 정보를 생성하는 단계
를 포함하고,
상기 훈련된 DNN에 기초하여 상기 제2 레이더 수신 신호에 DNN 추론을 수행하여 상기 클러터 신호를 제거하는 단계는
상기 제2 레이더 수신 신호에 기초하여 제2 데이터를 생성하는 단계; 및
상기 제2 데이터에 상기 DNN 추론을 수행하여 상기 클러터 신호가 제거된 데이터를 생성하는 단계
를 포함하고,
상기 클러터 신호가 제거된 데이터를 생성하는 단계는
상기 제2 데이터의 크기를 절반으로 감소시키는 엔코딩 처리를 복수회 수행하여 상기 표적, 클러터 및 노이즈에 대한 압축된 정보를 포함하는 특징맵을 생성하고, 상기 DNN 훈련 정보 및 상기 특징맵에 기초하여 상기 엔코딩 처리된 제2 데이터의 크기를 2배 증가시키는 디코딩 처리를 복수회 수행하여 상기 클러터 신호를 제거하는 단계
를 포함하는 해상 이동 표적 탐지 방법. - 제17항에 있어서, 상기 CFAR 알고리즘은 CA-CFAR 알고리즘을 포함하는 해상 이동 표적 탐지 방법.
- 제17항에 있어서, 상기 제1 레이더 수신 신호는 필드 테스트 환경에서 획득되는 해상 이동 표적 탐지 방법.
- 제17항에 있어서, 상기 제1 레이더 수신 신호에 DNN 훈련을 수행하는 단계는
상기 제1 레이더 수신 신호를 이용하여 레이블링 처리를 위한 제1 데이터를 생성하는 단계;
상기 제1 데이터에 레이블링 처리를 수행하는 단계; 및
상기 레이블링 처리된 제1 데이터에 상기 DNN 훈련을 수행하여 상기 DNN 훈련 정보를 생성하는 단계
를 포함하는 해상 이동 표적 탐지 방법. - 제20항에 있어서, 상기 제1 데이터는 RDmap 데이터를 포함하는 해상 이동 표적 탐지 방법.
- 제20항에 있어서, 상기 DNN 훈련 정보는 레이블링 정보, 웨이트 메트릭스 데이터 및 바이어스 데이터를 포함하는 해상 이동 표적 탐지 방법.
- 제20항에 있어서, 상기 제1 데이터에 레이블링 처리를 수행하는 단계는
상기 표적 신호에 데이터 레이블링을 수행하는 단계; 및
상기 클러터 신호에 데이터 레이블링을 수행하는 단계
를 포함하는 해상 이동 표적 탐지 방법. - 삭제
- 제20항에 있어서, 상기 제2 레이더 수신 신호에 기초하여 제2 데이터를 생성하는 단계는
상기 제2 레이더 수신 신호에 도플러 처리를 수행하는 단계; 및
상기 도플러 처리된 제2 레이더 수신 신호에 기초하여 상기 제2 데이터를 생성하는 단계
를 포함하는 해상 이동 표적 탐지 방법. - 제25항에 있어서, 상기 제2 데이터는 RDmap 데이터를 포함하는 해상 이동 표적 탐지 방법.
- 삭제
- 제17항에 있어서, 상기 클러터 신호가 제거된 데이터를 생성하는 단계는
상기 제2 데이터의 데이터 크기를 절반의 크기로 감소시키는 제1 엔코딩 처리를 수행하는 제1 컨벌루션부, 상기 제1 엔코딩 처리된 제2 데이터의 데이터 크기를 절반의 크기로 감소시키는 제2 엔코딩 처리를 수행하는 제2 컨벌루션부, 및 상기 제2 엔코딩 처리된 제2 데이터의 데이터 크기를 절반의 크기로 감소시키는 제3 엔코딩 처리를 수행하는 제3 컨벌루션부를 이용하여 상기 제2 데이터에 상기 엔코딩 처리를 수행하는 단계
를 포함하는 해상 이동 표적 탐지 방법. - 제28항에 있어서, 상기 제1 내지 제3 컨벌루션부는 2Х2 크기를 갖는 컨벌루션 필터를 포함하는 해상 이동 표적 탐지 방법.
- 삭제
- 제28항에 있어서, 상기 클러터 신호가 제거된 데이터를 생성하는 단계는
상기 엔코딩 처리된 제2 데이터의 데이터 크기를 2배의 크기로 증가시키는 제1 디코딩 처리를 수행하는 제1 전치 컨벌루션부, 상기 제1 디코딩 처리된 제2 데이터의 데이터 크기를 2배의 크기로 증가시키는 제2 디코딩 처리를 수행하는 제2 전치 컨벌루션부, 및 상기 제2 디코딩 처리된 제2 데이터의 데이터 크기를 2배의 크기로 증가시키는 제3 디코딩 처리를 수행하는 제3 전치 컨벌루션부를 이용하여 상기 엔코딩 처리된 제2 데이터에 상기 디코딩 처리를 수행하는 단계
를 포함하는 해상 이동 표적 탐지 방법. - 제31항에 있어서, 상기 제1 내지 제3 전치 컨벌루션부는 2Х2 크기를 갖는 전치 컨벌루션 필터를 포함하는 해상 이동 표적 탐지 방법.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020200176033A KR102534629B1 (ko) | 2020-12-16 | 2020-12-16 | 해상 이동 표적을 탐지하는 딥러닝 기반 레이더 시스템 및 방법 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020200176033A KR102534629B1 (ko) | 2020-12-16 | 2020-12-16 | 해상 이동 표적을 탐지하는 딥러닝 기반 레이더 시스템 및 방법 |
Publications (2)
Publication Number | Publication Date |
---|---|
KR20220085986A KR20220085986A (ko) | 2022-06-23 |
KR102534629B1 true KR102534629B1 (ko) | 2023-05-19 |
Family
ID=82222084
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020200176033A KR102534629B1 (ko) | 2020-12-16 | 2020-12-16 | 해상 이동 표적을 탐지하는 딥러닝 기반 레이더 시스템 및 방법 |
Country Status (1)
Country | Link |
---|---|
KR (1) | KR102534629B1 (ko) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2020193904A (ja) * | 2019-05-29 | 2020-12-03 | 日本電気株式会社 | 目標信号分離装置、パッシブレーダー装置および目標信号分離方法 |
-
2020
- 2020-12-16 KR KR1020200176033A patent/KR102534629B1/ko active IP Right Grant
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2020193904A (ja) * | 2019-05-29 | 2020-12-03 | 日本電気株式会社 | 目標信号分離装置、パッシブレーダー装置および目標信号分離方法 |
Non-Patent Citations (3)
Title |
---|
Gang Zhang 외 3인, "Learning synthetic aperture radar image despeckling without clean data," J. Appl. Remote Sens. 2020년 6월 3일* |
Johanna Rock 외 4인, "Complex Signal Denoising and Interference Mitigation for Automotive Radar Using Convolutional Neural Networks," NeurIPS 2019, 2019년* |
SANDRO RHODIN 외 1인, "A comparative study between MLP and CNN for noise reduction on images: The impact of different input dataset sizes and the impact of different types of noise on performance," 2019* |
Also Published As
Publication number | Publication date |
---|---|
KR20220085986A (ko) | 2022-06-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102315311B1 (ko) | 객체 검출 모델의 학습 방법 및 객체 검출 모델이 실행되는 객체 검출 장치 | |
CN110163108B (zh) | 基于双路径特征融合网络的鲁棒声呐目标检测方法 | |
Dobeck | Algorithm fusion for automated sea mine detection and classification | |
Chang et al. | Orthogonal subspace projection using data sphering and low-rank and sparse matrix decomposition for hyperspectral target detection | |
CN111209903B (zh) | 一种人脸检测的方法与设备 | |
JP2019087244A (ja) | 極地海域における海氷領域の探知方法およびそのための探知システム | |
Williams et al. | A fast physics-based, environmentally adaptive underwater object detection algorithm | |
KR102418547B1 (ko) | 저속 소형 표적 탐지 방법 및 이를 활용하는 레이다 장치. | |
Schwegmann et al. | Synthetic aperture radar ship detection using capsule networks | |
Gašparović et al. | Deep learning approach for objects detection in underwater pipeline images | |
Vicen-Bueno et al. | Ship detection by different data selection templates and multilayer perceptrons from incoherent maritime radar data | |
KR102534629B1 (ko) | 해상 이동 표적을 탐지하는 딥러닝 기반 레이더 시스템 및 방법 | |
KR102534622B1 (ko) | 클러터 신호를 제거하는 딥러닝 기반 레이더 시스템 및 방법 | |
Chen et al. | Background-annihilated target-constrained interference-minimized filter (TCIMF) for hyperspectral target detection | |
de BA Barros et al. | Development of a ship classification method based on Convolutional neural network and Cyclostationarity Analysis | |
Macaulay et al. | Passive acoustic tracking of the three‐dimensional movements and acoustic behaviour of toothed whales in close proximity to static nets | |
CN116665110B (zh) | 一种视频动作识别的方法及设备 | |
Rixon Fuchs et al. | Deep learning based technique for enhanced sonar imaging | |
KR102311033B1 (ko) | 딥러닝 기반의 이미지 특징 추출 장치 | |
Stinco et al. | Automatic object classification with active sonar using unsupervised anomaly detection | |
US20190302251A1 (en) | Morphological Components Analysis For Maritime Target Detection | |
KR102427861B1 (ko) | 수중 영상 데이터를 생성하는 장치 및 방법 | |
KR102557458B1 (ko) | 인공지능 기반의 레이다 표적 탐지 방법 및 그를 위한 장치 | |
JP2008045939A (ja) | 目標検出装置 | |
CN112346056A (zh) | 多脉冲雷达信号的分辨性特征融合提取方法及识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
E902 | Notification of reason for refusal | ||
E701 | Decision to grant or registration of patent right | ||
GRNT | Written decision to grant |