[논문 리뷰] Support Vector Data Description for Radar Target Detection

Jean Pinsolle, Yadang Alexis Rouzoumka외 3명|arXiv (Cornell University)|2026. 02. 11.

Radar Systems and Signal Processing인용 수 0

한 줄 요약

논문은 SVDD와 Deep SVDD를 레이더 타겟 검출용 CFAR 탐지기로 적응시켜 Gaussian 잡음 및 합성-Gaussian 잡음에서 클래식 탐지기보다 성능 향상을 보이며 특히 높은 SNR에서 두드러지게 나타나며, 제로 도플러 및 복합 잡음에서의 도전 과제도 지적한다.

ABSTRACT

Classical radar detection techniques rely on adaptive detectors that estimate the noise covariance matrix from target-free secondary data. While effective in Gaussian environments, these methods degrade in the presence of clutter, which is better modeled by heavy-tailed distributions such as the Complex Elliptically Symmetric (CES) and Compound-Gaussian (CGD) families. Robust covariance estimators like M-estimators or Tyler's estimator address this issue, but still struggle when thermal noise combines with clutter. To overcome these challenges, we investigate the use of Support Vector Data Description (SVDD) and its deep extension, Deep SVDD, for target detection. These one-class learning methods avoid direct noise covariance estimation and are adapted here as CFAR detectors. We propose two novel SVDD-based detection algorithms and demonstrate their effectiveness on simulated radar data.

연구 동기 및 목표

• 가우시안 가정에서 벗어난 잡음 환경에서 강건한 타겟 탐지를 촉진한다.
• 레이더 탐지에서 CFAR 탐지기로서 원클래스 학습 방법(SVDD 및 Deep SVDD)을 적용한다.
• 두 가지 새로운 SVDD 기반 탐지 알고리즘을 제안하고 시뮬레이션된 레이더 데이터에서 평가한다.

제안 방법

• 레이더 데이터에서 타깃 탐지를 위한 SVDD 및 Deep SVDD를 수식화한다.
• 정상 데이터를 둘러싸는 하이퍼스피어(SVDD) 또는 학습된 특징 공간(Deep SVDD)을 사용한다.
• 의사 결정용으로 보조 데이터에서 CFAR 유사 임계치를 계산한다.
• SVDD의 경우, 이중계획(quadratic program)을 해결하여 의사결정 함수 f(z)를 얻는다.
• Deep SVDD의 경우, 데이터를 중심 c 주위의 간결한 표현으로 매핑하는 신경망을 학습시키고 중심으로의 거리를 최소화하는 손실을 사용한다.]
• research_questions(“Can SVDD and Deep SVDD serve as effective one-class detectors for radar target detection under Gaussian and non-Gaussian clutter?”,“Do SVDD-based detectors offer CFAR-like performance and robust detection across Doppler bins compared to classical detectors?”,“How do the SVDD-based methods perform relative to AMF-SCM, MF, and ANMF-Tyler in various clutter and noise conditions?”)

(a) Gaussian + white Gaussian noise

실험 결과

연구 질문

• RQ1 가우시안 및 비가우시안 잡음 하에서 SVDD와 Deep SVDD가 레이더 타깃 탐지를 위한 효과적인 원클래스 탐지기로 작동할 수 있는가?
• RQ2 SVDD 기반 탐지기가 클래식 탐지기와 비교하여 Doppler bin 전반에 걸친 CFAR 유사 성능 및 강건한 탐지를 제공하는가?
• RQ3 다양한 잡음 및 잡음 조건에서 SVDD 기반 방법이 AMF-SCM, MF, 및 ANMF-Tyler에 비해 어떤 성능을 보이는가?

주요 결과

• SVDD 및 Deep SVDD는 가우시안 잡음에 첨가된 Gaussian 잡음 환경에서 AMF-SCM보다 우수한 성능을 보인다.
• DSVDD가 Compound-Gaussian 잡음에 추가 열 잡음이 있는 경우에도 ANMF-Tyler를 자주 능가하며 특히 더 높은 SNR에서 그렇다.
• SVDD 및 DSVDD는 보조 데이터에서 임계치를 설정하여 CFAR-유사 동작을 제공한다.
• Deep SVDD는 계산 비용을 줄이고 Doppler bin에 걸친 강건한 탐지를 제공한다.
• ANMF-Tyler는 빈(bin) 전체에서 견고하게 작동하며, 특히 제로-도플러 상황에서 도전적일 때도 견고하다.
• 제로-도플러 및 특정 잡음 조건은 SVDD 기반 탐지기에 여전히 도전적이다.

(b) Compound Gaussian + white Gaussian noise