[논문 리뷰] Machine Vision and Deep Learning for Classification of Radio SETI Signals

G. R. Harp, Jon Richards외 9명|arXiv (Cornell University)|2019. 02. 06.

Space Science and Extraterrestrial Life인용 수 10

한 줄 요약

이 논문은 스펙트로그램을 이미지로 간주하고 기계 시각 및 딥러닝 기법을 적용하여 라디오 SETI 신호를 분류하는 새로운 접근법을 제안한다. 실제 Allen Telescope Array 데이터와 시뮬레이션된 신호를 모두 사용하여 높은 정확도와 낮은 가짜 양성 비율을 달성하였으며, 넓은 잔차 신경망(W-ResNet)이 비모수적 분류 과제에서 전통적인 특징 기반 방법보다 뛰어난 성능을 보였다.

ABSTRACT

We apply classical machine vision and machine deep learning methods to prototype signal classifiers for the search for extraterrestrial intelligence. Our novel approach uses two-dimensional spectrograms of measured and simulated radio signals bearing the imprint of a technological origin. The studies are performed using archived narrow-band signal data captured from real-time SETI observations with the Allen Telescope Array and a set of digitally simulated signals designed to mimic real observed signals. By treating the 2D spectrogram as an image, we show that high quality parametric and non-parametric classifiers based on automated visual analysis can achieve high levels of discrimination and accuracy, as well as low false-positive rates. The (real) archived data were subjected to numerous feature-extraction algorithms based on the vertical and horizontal image moments and Huff transforms to simulate feature rotation. The most successful algorithm used a two-step process where the image was first filtered with a rotation, scale and shift-invariant affine transform followed by a simple correlation with a previously defined set of labeled prototype examples. The real data often contained multiple signals and signal ghosts, so we performed our non-parametric evaluation using a simpler and more controlled dataset produced by simulation of complex-valued voltage data with properties similar to the observed prototypes. The most successful non-parametric classifier employed a wide residual (convolutional) neural network based on pre-existing classifiers in current use for object detection in ordinary photographs. These results are relevant to a wide variety of research domains that already employ spectrogram analysis from time-domain astronomy to observations of earthquakes to animal vocalization analysis.

연구 동기 및 목표

• 기계 시각 및 딥러닝을 활용하여 외계지능 탐색(SETI)을 위한 자동화된 신호 분류기 개발
• 실제 및 시뮬레이션된 좁은 대역폭 라디오 신호에 대해 파rametric 및 비모수적 분류기의 성능 평가
• 스펙트로그램의 이미지 기반 분석을 통해 SETI 신호 탐지에서의 가짜 양성 비율을 낮추기
• 복잡한 다중 신호 라디오 데이터를 분류하는 데 있어 전통적인 특징 추출 방법과 현대적인 딥러닝 모델 간의 비교
• 이러한 방법의 적용 가능성을 SETI를 넘어서 시간 영역 천문학 및 생음향학 등 다른 분야로 확장함을 보여주기

제안 방법

• 실제 및 시뮬레이션된 라디오 신호의 스펙트로그램을 분석을 위해 2차원 이미지로 간주한다.
• 전통적인 기계 시각 기법을 적용하며, 수직 및 수평 이미지 모멘트와 허프 변환을 사용해 특징의 회전을 시뮬레이션한다.
• 두 단계 분류기에서는 애핀 변환을 통해 회전, 스케일, 이동에 대한 불변성을 확보하고, 레이블이 부여된 프로토타입 예제와의 상관관계를 계산한다.
• 관측된 신호 특성을 모방하기 위해 복소수 전압 데이터의 시뮬레이션 데이터셋을 기반으로 넓은 잔차 신경망(W-ResNet)을 훈련시킨다.
• 비모수적 분류기는 실세계 신호 오염으로부터 성능을 분리하기 위해 통제된 단순화된 데이터셋에서 평가된다.
• 특징 추출 및 분류 파이프라인은 다중 중첩 신호와 신호 유령현상이 포함된 앨런 전력망 천체망 관측 자료에 테스트된다.

실험 결과

연구 질문

• RQ1 라디오 신호의 스펙트로그램은 기계 시각 및 딥러닝 기법을 통해 효과적으로 분류될 수 있는가?
• RQ2 노이즈가 많은 라디오 데이터에서 기술신호를 탐지할 때 전통적인 특징 기반 분류기와 딥러닝 모델 간의 성능 비교는 어떻게 되는가?
• RQ3 딥러닝 모델은 SETI 신호 분류 과제에서 얼마나 높은 정확도와 낮은 가짜 양성 비율을 달성할 수 있는가?
• RQ4 이러한 모델은 중첩된 신호와 잡음 등 실제 세계 데이터에 대해 얼마나 잘 일반화되는가?
• RQ5 애핀 변환 및 특징의 회전 시뮬레이션과 같은 데이터 전처리 기법이 분류기 성능에 어떤 영향을 미치는가?

주요 결과

• 애핀 변환과 프로토타입 상관관계를 사용한 두 단계 분류기는 실제 데이터에서 높은 분류 능력과 정확도를 보였으며, 가짜 양성 비율도 낮게 유지되었다.
• 넓은 잔차 신경망(W-ResNet)은 통제된 시뮬레이션 데이터셋에서 전통적인 특징 기반 방법보다 뛰어난 성능을 보였다.
• 스펙트로그램을 이미지로 간주함으로써 실제 SETI 관측에서 흔히 발생하는 복잡한 다중 신호 환경의 효과적인 탐지가 가능했다.
• 이미지 모멘트와 허프 변환 기반의 특징 추출이 성공적으로 회전 불변성을 시뮬레이션하여 강건성을 향상시켰다.
• 딥러닝 모델이 사진 이미지 데이터에서 학습된 결과가 라디오 신호 분류에 매우 효과적으로 이식 가능함을 입증했다.
• 이 방법은 지진학 및 동물의 소리 연구 등 스펙트로그램 분석이 필요한 다른 분야에도 널리 적용 가능함을 보여주었다.