[논문 리뷰] Learning from Natural Noise to Denoise Micro-Doppler Spectrogram

Chong Tang, Wenda Li외 4명|arXiv (Cornell University)|2021. 02. 13.

Anomaly Detection Techniques and Applications참고 문헌 31인용 수 9

한 줄 요약

이 논문은 실제 환경에서의 잡음 분포를 활용하여 생성적 적대적 네트워크(GAN)를 통해 천연 잡음을 모델링하고, 이를 시뮬레이션된 청소년 MDS와 조합하여 CNN 디노이징 기반의 새로운 딥러닝 프레임워크를 제안한다. 이 방법은 저자료 환경에서 기존의 AWGN 및 MIXM과 같은 전통적 잡음 모델보다 뛰어난 성능을 보이며, 시뮬레이션된 데이터와 실제 측정 데이터 모두에서 분류 정확도가 뛰어나다.

ABSTRACT

Micro-Doppler analysis has become increasingly popular in recent years owning to the ability of the technique to enhance classification strategies. Applications include recognising everyday human activities, distinguishing drone from birds, and identifying different types of vehicles. However, noisy time-frequency spectrograms can significantly affect the performance of the classifier and must be tackled using appropriate denoising algorithms. In recent years, deep learning algorithms have spawned many deep neural network-based denoising algorithms. For these methods, noise modelling is the most important part and is used to assist in training. In this paper, we decompose the problem and propose a novel denoising scheme: first, a Generative Adversarial Network (GAN) is used to learn the noise distribution and correlation from the real-world environment; then, a simulator is used to generate clean Micro-Doppler spectrograms; finally, the generated noise and clean simulation data are combined as the training data to train a Convolutional Neural Network (CNN) denoiser. In experiments, we qualitatively and quantitatively analyzed this procedure on both simulation and measurement data. Besides, the idea of learning from natural noise can be applied well to other existing frameworks and demonstrate greater performance than other noise models.

연구 동기 및 목표

• 시간-주파수 스펙트로그램의 노이즈로 인한 MDS 기반 레이더 감지 성능 저하 문제를 해결하기 위해.
• 실제 환경의 공간적·시간적 잡음 상관관계를 반영하지 못하는 인위적 잡음 모델(예: AWGN)의 한계를 극복하기 위해.
• 실제 환경 잡음 분포를 활용하여 일반화 능력 향상을 위한 자료 효율적인 디노이징 프레임워크를 개발하기 위해.
• 학습 데이터가 부족한 상황에서도 천연 잡음을 기반으로 학습함으로써 분류기 성능 향상이 가능함을 입증하기 위해.
• 제안된 방법이 시뮬레이션된 데이터뿐 아니라 실제 측정된 MDS 데이터에 대해서도 검증되도록 하기 위해.

제안 방법

• 실제 환경에서의 MDS 데이터를 기반으로 GAN을 훈련시어, 실제 환경에 존재하는 복잡한 공간적·시간적 상관관계를 가진 잡음 분포를 학습한다.
• 별도의 시뮬레이터가 청소년 마이크로 도플러 스펙트로그램을 생성하여 디노이징 네트워크 훈련을 위한 진짜 값(ground truth)으로 활용한다.
• GAN에 의해 생성된 잡음과 시뮬레이션된 청소년 MDS를 조합하여 디노이징 네트워크 훈련을 위한 합성된 쌍체 데이터셋을 구성한다.
• 이 합성 데이터셋을 기반으로 컨볼루션 신경망(CNN), 특히 DnCNN 아키텍처를 훈련시어 노이즈가 있는 MDS 입력을 디노이징할 수 있도록 학습한다.
• 무한한 합성 훈련 쌍체를 활용한 데이터 증강 기능을 제공하여 실제 환경의 잡음에 대한 강건성을 향상시킨다.
• 하류 작업의 분류 정확도를 측정하여, AWGN 및 MIXM 잡음 모델을 사용한 기준 모델들과의 성능 비교를 수행한다.

실험 결과

연구 질문

• RQ1 GAN 기반 접근법이 마이크로 도플러 스펙트로그램의 복잡한 실제 환경 잡음 분포를 효과적으로 모델링할 수 있는가?
• RQ2 인위적 잡음 모델(예: AWGN) 대비 천연로 모델링된 잡음을 훈련에 활용할 경우, 디노이징 성능 향상이 이루어지는가?
• RQ3 제안된 프레임워크는 시뮬레이션된 데이터와 실제 측정된 데이터에서 각각 어떤 성능을 보이는가?
• RQ4 학습 데이터셋이 작거나 제한된 상황에서도 프레임워크가 높은 분류 정확도를 유지할 수 있는가?
• RQ5 하류 분류 작업에서 디노이징된 MDS의 성능은 CAE 및 UNet과 같은 최신 모델들과 비교해 어떻게 되는가?

주요 결과

• GAN 기반의 천연 잡음 모델링(MNM)을 활용한 제안된 방법은 AWGN 또는 MIXM 잡음 모델을 사용한 기준 모델보다 높은 분류 정확도를 기록하였으며, 특히 신호 대 잡음비(SNR)가 낮을수록 뚜렷한 성능 향상을 보였다.
• 실제 측정된 스펙트로그램에서 MNM 기반 DnCNN 디노이저는 다른 모델들을 압도했으며, 25 dB SNR에서 0.6/0.4 학습/검증 데이터 분할 비율일 때 96.6%의 분류 정확도를 기록했다.
• 낮은 자료 환경(예: 0.6/0.4 분할)에서도 MNM 기반 프레임워크는 뛰어난 성능 유지를 보였으며, 15 dB SNR에서 94.4%의 분류 정확도를 기록하여 AWGN 및 MIXM 기준 모델보다 뚜렷한 우수성을 보였다.
• 다양한 잡음 수준에서의 안정성과 일관성 있는 정확도 향상을 확인하여, -10 dB에서 25 dB SNR에 이르기까지 지속적인 성능 향상이 있었으며, 다양한 조건에서의 효과성을 입증했다.
• MNM 기반 디노이저는 0.8/0.2 데이터 분할 비율에서 10 dB SNR에서 최고의 분류 정확도 97.0%를 기록했으며, 다음으로 우수한 성능을 보인 UNet(MIXM) 모델보다 2.5퍼센트 포인트 이상 높은 성능을 기록했다.
• 결과적으로 실제 잡음 분포에서 학습함으로써 일반화 능력과 성능 향상이 가능하며, 특히 학습 데이터가 제한된 경우에 그 효과가 두드러진다.