딥러닝이 등장한 이유

사람이 특징을 설계하는 방식은 어디서 한계에 부딪히고, 딥러닝은 무엇을 바꾸는가?

특징 공학의 한계

특징 기반 ML 과정은 강력하지만 네 가지 한계에 부딪힌다.

설계 비용: 어떤 특징이 쓸모 있는지 알려면 오랜 도메인 경험이 필요하다. 새 레이다 모드나 환경(실내와 실외, 다중 경로)마다 특징을 다시 설계해야 한다.
정보 손실: 특징을 뽑는 동안 원시 신호의 정보가 버려진다. 사람이 "중요하지 않다"고 본 정보에 미묘한 판별 단서가 있을 수 있다.
특징 사이의 상호작용: 피크 SNR과 Doppler 대역폭이 함께 어떤 무늬를 보일 때만 쓸모 있다면, 둘을 따로 설계한 특징으로는 이 상호작용을 잡기 어렵다.
스케일 불변성의 부재: 사람이 설계한 특징은 거리, 속도, SNR 범위가 달라지면 다시 보정해야 한다. CNN은 합성곱의 성질 때문에 위치 이동에 자연히 강건하다.

딥러닝에서는 특징 추출기를 사람이 설계하지 않고 모델이 데이터에서 스스로 배운다. CNN의 앞쪽 층은 모서리(edge)와 주파수 무늬를 잡고, 깊은 층은 이것을 조합해 점점 추상적인 표현을 만든다. 이처럼 특징 추출부터 결과까지를 한 모델로 함께 배우는 것을 end-to-end 학습이라 한다.

고전 ML과 딥러닝의 처리 과정

\underbrace{\text{Raw Signal}}_{\text{입력}} \xrightarrow{\text{특징 기반}} \underbrace{\text{Feature Extraction}}_{\text{SNR,\ BW,\ RCS,\ \ldots}} \rightarrow \underbrace{\text{SVM / RF}}_{\text{분류기}} \rightarrow \text{결과}

\underbrace{\text{Raw Signal}}_{\text{입력}} \xrightarrow{\text{딥러닝}} \underbrace{\text{CNN / U-Net}}_{\text{특징 추출과 분류를 end-to-end 학습}} \rightarrow \text{결과}

특징 기반 접근에서는 사람이 "무엇을 볼 것인가"를 정하고, 딥러닝에서는 모델이 스스로 정한다. 그렇다고 두 접근이 맞서지는 않는다. 사람이 설계한 특징과 학습한 특징을 합치면 따로 쓸 때보다 성능이 높은 일이 많다.

언제 고전 ML을, 언제 딥러닝을 쓰나

기준	고전 ML을 고른다	딥러닝을 고른다
데이터 양	적다(수백~수천 샘플) 라벨을 얻기가 매우 비싸다	많다(수만 샘플 이상) 시뮬레이터로 얼마든지 만들 수 있다
해석 가능성	높게 요구된다(국방, 항공관제, 의료) 규칙 설명이 필수다	낮거나, 설명 보조 기법을 허용한다 (SHAP, Grad-CAM 등)
계산 자원	제한적이다(임베디드, ECU) GPU가 없다	충분하다(GPU 서버, 클라우드) 학습과 추론에 자원을 쓸 수 있다
입력 형태	저차원 특징 벡터 (수십~수백 개의 수)	고차원 원시 데이터 (RD 맵 영상, 스펙트로그램, point cloud)
도메인 지식	풍부한 도메인 지식으로 유효한 특징을 설계할 수 있다	도메인 지식이 모자라거나 특징 설계가 어려운 복잡한 무늬
개발 속도	빠른 시제품, 빠른 기준 성능	데이터 처리 과정을 만드는 데 초기 투자가 더 든다

20–23장의 네 사례, 곧 RD 맵 탐지 사례, micro-Doppler 행동 인식 사례, 레이다 지도 작성 사례, SAR speckle 제거 사례는 모두 딥러닝 기반이다. 그러나 각 사례는 고전적 방법을 먼저 기준선(baseline)으로 구현한다. 표적 탐지에는 CA-CFAR(14장), 도래각 추정에는 MUSIC(12장)을 쓴다. 고전적 기준선이 없으면 딥러닝이 얼마나 나은지 알 수 없다. 또 데이터가 적은 초기 단계에서는 고전 ML이 더 나을 수 있다.