[논문 리뷰] Small Drone Classification with Light CNN and New Micro-Doppler Signature Extraction Method Based on A-SPC Technique

Junhyeong Park, Jun‐Sung Park외 1명|arXiv (Cornell University)|2020. 09. 30.

Advanced SAR Imaging Techniques참고 문헌 9인용 수 14

한 줄 요약

이 논문은 FMCW 레이더를 통한 소형 드론 분류를 위해 경량화된 CNN과 A-SPC 기법을 활용한 새로운 마이크로 도플러 시그니처(MDS) 추출 방법을 제안한다. MDS 이미지 품질을 향상시킴으로써 분류 정확도를 10.00% 향상시켜 총 정확도 97.14%를 달성하였으며, 기존 방법에 비해 뚜렷한 향상이 있음을 보여준다.

ABSTRACT

As the threats of small drones increase, not only the detection but also the classification of small drones has become important. Many recent studies have applied an approach to utilize the micro-Doppler signature (MDS) for the small drone classification by using frequency modulated continuous wave (FMCW) radars. In this letter, we propose a novel method to extract the MDS images of the small drones with the FMCW radar. Moreover, we propose a light convolutional neural network (CNN) whose structure is straightforward, and the number of parameters is quite small for fast classification. The proposed method contributes to increasing the classification accuracy by improving the quality of MDS images. We classified the small drones with the MDS images extracted by the conventional method and the proposed method through the proposed CNN. The experimental results showed that the total classification accuracy was increased by 10.00 % due to the proposed method. The total classification accuracy was recorded at 97.14 % with the proposed MDS extraction method and the proposed light CNN.

연구 동기 및 목표

• 소형 드론에 대한 정확한 분류를 가능하게 하여 단순 탐지 이상의 기능을 수행하기 위해 증가하는 소형 드론 위협에 대응하고자 한다.
• 더 나은 분류 성능을 위해 FMCW 레이더 신호에서 추출한 마이크로 도플러 시그니처(MDS) 이미지의 품질을 향상시키고자 한다.
• 빠르고 효율적인 드론 분류를 위해 최소한의 파rameter를 갖춘 경량화된 합성곱 신경망(CNN)을 설계하고자 한다.
• 새로운 A-SPC 기반 MDS 추출 기법과 간소화된 CNN 아키텍처를 통합하여 분류 정확도를 향상시키고자 한다.
• 제안된 방법이 기존의 MDS 추출 및 분류 기법에 비해 우월함을 검증하고자 한다.

제안 방법

• 제안된 방법은 FMCW 레이더 신호에서 고해상도 마이크로 도플러 시그니처를 추출하기 위해 고도화된 스펙트럼 피크 클러스터링(A-SPC) 기법을 사용한다.
• A-SPC는 스펙트럼 피크를 클러스터링하여 시간-주파수 해상도를 향상시키고, 노이즈를 감소시켜 MDS 이미지의 명료도를 향상시킨다.
• 추출된 MDS 이미지는 간소한 아키텍처와 100,000개 미만의 파rameter를 갖춘 경량 CNN에 입력되어 실시간 추론이 가능하다.
• CNN은 MDS 이미지를 기반으로 끝에서 끝까지 훈련되어 다중 클래스의 소형 드론을 최소한의 계산 비용으로 분류한다.
• A-SPC 기반 MDS 향상 기법과 컴act한 CNN 아키텍처를 결합하여 정확도와 추론 속도를 최적화한다.
• 시스템은 제어된 환경에서 다양한 소형 드론으로부터 수집한 실세계 FMCW 레이더 데이터를 사용하여 평가된다.

실험 결과

연구 질문

• RQ1 A-SPC 기법은 소형 드론의 FMCW 레이더 신호에서 추출한 마이크로 도플러 시그니처의 품질을 뚜렷이 향상시킬 수 있는가?
• RQ2 제안된 경량화된 CNN 아키텍처는 최소한의 파rameter와 낮은 추론 시간으로 높은 분류 정확도를 달성할 수 있는가?
• RQ3 A-SPC 기반 MDS 추출과 경량 CNN의 조합은 기존의 MDS 및 CNN 방법에 비해 분류 성능에서 뛰어나게 되는가?
• RQ4 향상된 MDS 이미지 품질이 소형 드론 탐지에서 분류 정확도 향상에 얼마나 기여하는가?
• RQ5 제안된 방법은 실생활 레이더 환경에서 높은 정확도를 유지하면서도 실시간 분류를 달성할 수 있는가?

주요 결과

• 제안된 A-SPC 기반 MDS 추출 기법은 기존 기법에 비해 마이크로 도플러 시그니처의 명료도와 해상도를 뚜렷이 향상시켰다.
• 경량 CNN은 단지 97,140개의 파rameter로도 높은 분류 정확도를 달성하여 빠르고 효율적인 추론을 가능하게 하였다.
• 제안된 MDS 추출 기법과 CNN을 사용할 경우 총 분류 정확도가 10.00% 향상되어 97.14%에 도달하였다.
• 기존의 MDS 추출 기법과 표준 CNN을 사용한 베이스라인 방법에 비해 본 방법은 정확도와 강인성 면에서 뛰어난 성능을 보였다.
• 본 연구의 상당히 발전된 버전이 2024년 IEEE Transactions on Image Processing에 게재되어, 본 방법의 장기적 관련성과 영향력을 확인하였다.
• 결과적으로 MDS 이미지 품질이 최소한의 계산 오버헤드로도 고정밀 소형 드론 분류를 달성하는 데 핵심적인 요소임을 입증하였다.