[논문 리뷰] Deep Learning Approach for Target Locating in Through-the-Wall Radar under Electromagnetic Complex Wall

Fardin Ghorbani, Hossein Soleimani외 1명|arXiv (Cornell University)|2021. 02. 16.

Geophysical Methods and Applications참고 문헌 20인용 수 7

한 줄 요약

이 연구는 벽의 복잡한 전자기적 성질을 가진 통과 벽 레이더(TWR)에서 2차원 다중 타겟 정위치를 위한 딥 네ural 네트워크(DNN) 기반 접근법을 제안한다. 다섯 종류의 벽 모델과 세 가지 타겟 구성에서 FDTD 시뮬레이션 데이터셋을 사용하여, 단일 타겟 정위치의 정확도는 97.7%, 이중 타겟은 94.1%, 삼중 타겟은 62.2%를 달성한다.

ABSTRACT

In this paper, we used the deep learning approach to perform two-dimensional, multi-target locating in Throughthe-Wall Radar under conditions where the wall is modeled as a complex electromagnetic media. We have assumed 5 models for the wall and 3 modes for the number of targets. The target modes are single, double and triple. The wall scenarios are homogeneous wall, wall with airgap, inhomogeneous wall, anisotropic wall and inhomogeneous-anisotropic wall. For this purpose, we have used the deep neural network algorithm. Using the Python FDTD library, we generated a dataset, and then modeled it with deep learning. Assuming the wall as a complex electromagnetic media, we achieved 97:7% accuracy for single-target 2D locating, and for two-targets, three-targets we achieved an accuracy of 94:1% and 62:2%, respectively.

연구 동기 및 목표

• 복잡한 전자기적 성질을 가진 벽 조건에서 정확한 2차원 다중 타겟 정위치를 해결하고자 한다.
• 균질, 공기 간극, 비균질, 이방성, 비균질-이방성 벽을 포함한 실제적인 벽 시나리오를 모델링하고 시뮬레이션하고자 한다.
• 다양한 전자기적 벽 복잡성 조건에서 단일, 이중, 삼중 타겟 정위치에 대한 딥 러닝의 성능을 평가하고자 한다.
• FDTD로 생성된 합성 데이터를 사용하여 TWR 응용 분야에서 딥 네ural 네트워크를 훈련하기 위한 데이터 기반 프레임워크를 수립하고자 한다.

제안 방법

• 파이썬을 사용하여 다양한 벽 모델를 통과하는 전자기파 전파를 시뮬레이션하기 위해 유한차분시간영역(FDTD) 방법을 적용하였다.
• 다섯 가지 다른 벽 구성과 세 가지 타겟 모드를 반영하는 2차원 타겟 정위치를 나타내는 종합적인 합성 데이터셋을 생성하였다.
• 레이더 반사 신호를 타겟 좌표로 매핑하기 위해 시뮬레이션된 데이터셋을 기반으로 딥 네ural 네트워크(DNN)를 훈련시켰다.
• 실제 세계의 복잡성을 반영하기 위해 유전율, 투자율 및 이방성의 변화를 고려한 복잡한 전자기 매질로 벽을 모델링하였다.
• 손실 최소화를 통해 DNN 훈련 중에 입력 레이더 신호를 2차원 타겟 위치로 매핑하기 위해 지도 학습을 사용하였다.
• 정확도 지표를 사용하여 다양한 타겟 수와 벽 유형에서 모델 성능을 평가하였다.

실험 결과

연구 질문

• RQ1 벽이 복잡한 전자기적 성질을 가진 통과 벽 레이더에서 딥 네ural 네트워크는 단일 타겟을 얼마나 정확하게 정위치할 수 있는가?
• RQ2 딥 러닝을 사용할 때 복잡한 벽 조건에서 다중 타겟 정위치(이중 및 삼중 타겟)의 성능 저하 정도는 어떠한가?
• RQ3 공기 간극, 비균질성, 이방성과 같은 다양한 벽 구성이 딥 러닝 기반 타겟 정위치의 정확도에 어떤 영향을 미치는가?
• RQ4 벽을 복잡한 전자기 매질로 모델링할 경우, TWR 시스템에서 타겟 정위치의 현실성과 정확도는 어느 정도 향상되는가?

주요 결과

• 딥 러닝 모델은 벽을 복잡한 전자기 매질로 모델링한 통과 벽 레이더에서 단일 타겟 정위치에 대해 97.7%의 정확도를 달성하였다.
• 이중 타겟 정위치에서는 모든 테스트된 벽 구성에서 94.1%의 정확도를 기록하였다.
• 삼중 타겟 정위치 정확도는 62.2%로 떨어졌으며, 이는 더 높은 타겟 수에서의 성능 도전 과제를 시사한다.
• 모델은 비균질, 이방성, 비균질-이방성 벽을 포함한 다양한 벽 유형에서 뛰어난 강건성을 보였다.
• FDTD 시뮬레이션 데이터의 사용은 복잡한 전자기적 벽 시나리오 전반에서 효과적인 일반화를 가능케 하였다.
• 결과적으로 딥 러닝은 현실적인 벽 조건에서 단일 및 이중 타겟 정위치에 대해 효과적인 2차원 타겟 정위치 기법임을 확인하였다.