정리·개념 확인·참고 자료 · 20장 사례: AI 기반 range-Doppler 맵 탐지

정리

RD 맵의 셀은 거리 분해능 $c/(2B)$ 와 속도 분해능 $\lambda/(2N_cT_c)$ 를 뜻한다. 탐지는 가장 밝은 셀 고르기가 아니라 사이드로브, 남은 클러터, 여러 표적 속에서 표적 셀을 고르는 일이다.
CA-CFAR는 $\alpha = N(P_{FA}^{-1/N}-1)$ 로 설계 false alarm 확률을 지키는 해석 가능한 기준선이지만 국소 통계만 보므로 가림, 클러터 경계, 다중 표적에 약하다.
합성 FMCW 데이터셋(9.6 GHz, 50 MHz, 64 × 200)은 정답을 알기 때문에 라벨과 실패 원인을 물리 조건에 이을 수 있다. 결과를 실제 운용 레이다로 넓혀 해석하지 않는다.
탐지 사례의 입력은 원시 장면이 아니라 MTI를 거친 RD 맵이고, 라벨도 MTI 뒤의 움직이는 표적으로 정의된다.
라벨은 피크가 max(전체 중앙값, 참조 셀 112개의 중앙값)보다 6 dB 이상 높은 표적의 5셀 십자 마스크이다.
U-Net은 2 × 64 × 200 입력을 같은 크기의 확률 맵으로 바꾸고, focal과 Dice 손실로 극단적인 불균형을 버틴다.
임계값은 검증 세트에서 고정해 테스트 세트에 한 번만 적용한다. 테스트 세트에서 U-Net( $T=0.2$ )은 $P_D$ 0.7740, F1 0.8322, RD 맵당 false alarm 0.892로, CA-CFAR( $P_D$ 0.5429, F1 0.6095, 2.466)보다 모든 지표에서 앞선다.
false alarm의 공간 분포, SNR 구간별 결과, 라벨 기준과 표적 대비 분포를 함께 본다. 분해능과 파형을 바꾸는 실험이 탐지기의 일반화를 묻는 다음 단계이다.

개념 확인

CA-CFAR의 참조 셀이 $N=112$ 개이고 설계 false alarm 확률이 $P_{FA}=10^{-5}$ 이다. 임계 계수 $\alpha$ 는 얼마인가?

풀이

답 12.1

힌트 $\alpha = N(P_{FA}^{-1/N}-1)$ 이다.

$P_{FA}^{-1/N}=10^{5/112}=1.108$ 이므로 $\alpha=112\times0.108=12.1$ 이다. 임계값은 배경 추정의 12.1배, 곧 10.8 dB 위에 놓인다.

라벨 그림의 표적 B는 피크 5.220, 전체 중앙값 1.371, 참조 셀 중앙값 2.799이다. 라벨 기준에 쓰는 피크 SNR은 몇 dB인가?

풀이

답 5.41 dB

힌트 배경은 두 중앙값 가운데 큰 값이다.

배경 $=\max(1.371, 2.799)=2.799$ 이고 SNR $=20\log_{10}(5.220/2.799)=5.41$ dB이다. 6 dB에 못 미쳐 라벨에서 빠진다. 전체 중앙값만 쓰면 $20\log_{10}(5.220/1.371)=11.61$ dB로 통과했을 것이다.

RD 맵 한 장은 64 × 200 = 12,800셀이고 거의 모두 음성이다. CA-CFAR의 테스트 세트 $P_{FA}=1.928\times10^{-4}$ 이면 한 장에 대략 몇 개의 false alarm이 생기는가?

풀이

답 2.47

힌트 음성 셀 수에 $P_{FA}$ 를 곱한다.

$12{,}800\times1.928\times10^{-4}=2.47$ 이다. 표의 RD 맵당 false alarm 2.466개와 거의 같다. 작은 $P_{FA}$ 도 셀이 많으면 장마다 false alarm 여러 개가 된다.

U-Net의 임계값 $T$ 를 정하는 방법으로 옳은 것은?

(가) 검증 세트에서 F1을 가장 크게 하는 $T$ 를 고르고 테스트 세트에는 그 값을 그대로 쓴다.
(나) 테스트 세트에서 F1을 가장 크게 하는 $T$ 를 고른다.
(다) 학습 손실이 가장 작을 때의 출력 평균을 $T$ 로 쓴다.

풀이

답 (가) 검증 세트에서 F1을 가장 크게 하는 $T$ 를 고르고 테스트 세트에는 그 값을 그대로 쓴다.

(나) 테스트 세트에 과적합한 값이라 처음 보는 데이터의 성능을 과대평가한다.
(다) 학습 손실은 정책 변수를 고르는 기준이 아니고, 운용 비용과도 무관하다.

$T$ 는 ROC 곡선 위의 한 점을 고르는 정책 변수이다. 공정한 비교는 두 탐지기의 설정을 모두 검증 세트에서 고정한 뒤 테스트 세트에 한 번만 적용할 때 나온다.

참고 자료

radar-ai-projects, RD 맵 탐지 사례 예제 코드와 데이터 생성기. 결과 그림과 표의 출처.
O. Ronneberger, P. Fischer, and T. Brox, "U-Net: Convolutional networks for biomedical image segmentation," in Medical Image Computing and Computer-Assisted Intervention (MICCAI), LNCS 9351, 2015, pp. 234–241, doi: 10.1007/978-3-319-24574-4_28.
M. A. Richards, Fundamentals of Radar Signal Processing, 2nd ed. New York, NY, USA: McGraw-Hill Education, 2014, ISBN 978-0-07-179832-7. 6장(탐지, CA-CFAR).
T.-Y. Lin, P. Goyal, R. Girshick, K. He, and P. Dollár, "Focal loss for dense object detection," in Proc. IEEE Int. Conf. Comput. Vis. (ICCV), 2017, pp. 2999–3007, doi: 10.1109/ICCV.2017.324.
그림 출처: 임계값 sweep, 검증 세트의 설정 비교, 탐지 결과를 겹쳐 본 그림, SNR 구간별 결과, 국소 대비 분포는 radar-ai-projects의 실행 결과이다.

정리

개념 확인

참고 자료

함께 읽을 자료