[논문 리뷰] Mitigation of Through-Wall Distortions of Frontal Radar Images using Denoising Autoencoders

Shelly Vishwakarma, Shobha Sundar Ram|arXiv (Cornell University)|2019. 03. 22.

Geophysical Methods and Applications참고 문헌 42인용 수 29

한 줄 요약

이 논문은 벽의 물성이나 전파 모델에 대한 사전 지식이 없이도 벽을 관통하는 레이더 이미지의 왜곡을 완화하기 위해 분할 역할 다중승수 방법(ADMM) 기반의 노이즈 제거 오토인코더(DAE)를 제안한다. 다양한 벽을 관통하는 레이더 이미지와 자유공간 레이더 이미지 쌍으로 훈련된 DAE는 정적 및 동적 인간의 정면 레이더 이미지를 효과적으로 복원하여 청소된 기준 이미지와 비교해 높은 구조적 유사도와 낮은 평균 제곱 오차를 달성한다.

ABSTRACT

Radar images of humans and other concealed objects are considerably distorted by attenuation, refraction and multipath clutter in indoor through-wall environments. While several methods have been proposed for removing target independent static and dynamic clutter, there still remain considerable challenges in mitigating target dependent clutter especially when the knowledge of the exact propagation characteristics or analytical framework is unavailable. In this work we focus on mitigating wall effects using a machine learning based solution -- denoising autoencoders -- that does not require prior information of the wall parameters or room geometry. Instead, the method relies on the availability of a large volume of training radar images gathered in through-wall conditions and the corresponding clean images captured in line-of-sight conditions. During the training phase, the autoencoder learns how to denoise the corrupted through-wall images in order to resemble the free space images. We have validated the performance of the proposed solution for both static and dynamic human subjects. The frontal radar images of static targets are obtained by processing wideband planar array measurement data with two-dimensional array and range processing. The frontal radar images of dynamic targets are simulated using narrowband planar array data processed with two-dimensional array and Doppler processing. In both simulation and measurement processes, we incorporate considerable diversity in the target and propagation conditions. Our experimental results, from both simulation and measurement data, show that the denoised images are considerably more similar to the free-space images when compared to the original through-wall images.

연구 동기 및 목표

• 감쇠, 굴절, 다중 경로 잡음으로 인한 벽을 관통하는 레이더 이미지 왜곡을 해결하기 위해.
• 벽 특성이나 분석적 전파 모델에 대한 사전 지식이 필요 없는 기계 학습 기반 솔루션을 개발하기 위해.
• 단지 쌍으로 구성된 벽을 관통하는 레이더 이미지와 자유공간 이미지 훈련 데이터만을 사용하여 강건한 이미지 복원을 가능하게 하기 위해.
• ADMM 기반 최적화를 통해 수렴 속도를 높이고 실시간 적용 가능성을 보장하기 위해.

제안 방법

• 쌍으로 구성된 벽을 관통하는 레이더 이미지와 시야 확보(자유공간) 레이더 이미지를 입력 및 출력으로 사용하여 노이즈 제거 오토인코더를 훈련시켰다.
• 훈련을 가속화하고 수렴을 보장하기 위해 ADMM 기반 최적화 프레임워크를 활용했다.
• 정적 타겟에는 넓은 대역 평면 어레이 데이터를, 동적 타겟에는 좁은 대역 데이터에 다이포르 처리를 적용했다.
• FDTD 시뮬레이션에서 임의의 변동을 통합하여 다양한 벽의 물성(유전율, 전도도, 보강재, 공기 간극)을 모델링했다.
• 원시 레이더 데이터에서 정면 레이더 이미지를 생성하기 위해 2차원 어레이 및 범위/도플러 처리를 적용했다.
• 숨은 층 크기와 활성화 함수(선형, tanh, 시그모이드)와 같은 하이퍼파rameter를 경험적 평가를 통해 최적화했다.

실험 결과

연구 질문

• RQ1 딥 러닝 모델이 벽의 물성에 대한 사전 지식 없이도 정면 레이더 이미지의 벽을 관통하는 왜곡을 효과적으로 줄일 수 있는가?
• RQ2 노이즈 제거 오토인코더는 다양한 유형의 벽과 타겟 조건에 대해 얼마나 잘 일반화되는가?
• RQ3 ADMM 기반 훈련은 표준 백프로파게이션에 비해 수렴 속도를 높이고 실시간 배포를 가능하게 하는가?
• RQ4 다양한 활성화 함수와 은닉층 크기에 따라 모델 성능은 어떻게 변하는가?
• RQ5 자유공간 이미지와 벽을 관통하는 이미지 쌍 간의 레이블 불일치에 대해 모델이 어느 정도 내성을 가지는가?

주요 결과

• 노이즈 제거된 이미지는 원본 벽을 관통하는 이미지에 비해 정규화된 평균 제곱 오차(NMSE)가 유의미하게 낮고, 구조적 유사도(SSIM)가 높았다.
• 시뮬레이션 데이터의 경우, 선형 활성화 함수가 비선형 함수(tanh, 시그모이드)보다 성능이 뛰어나, 데이터의 좁은 대역 특성 때문일 가능성이 높다.
• 500개의 은닉 노드를 사용할 경우 시뮬레이션에서 SSIM이 수렴하여 효과적인 노이즈 제거에 충분한 능력을 지녔음을 나타냈다.
• 실측 데이터의 경우 1500개의 은닉 노드로 SSIM이 1.0에 가까워졌고, 시그모이드 함수가 가장 우수한 성능을 보였다.
• 테스트 추론 시간은 낮게 유지되었으며(500MB 이내 메모리 사용, 라즈베리 파이 3+에서 구동 가능하여 실시간 배포가 가능했다).
• 모델은 벽의 조건과 타겟의 다양성에 대해 특별한 캘리브레이션 없이도 강건성을 보였다.