다섯 축의 공통 틀

도메인이 다른 네 사례를 어떤 공통의 물음으로 읽는가?

네 사례는 달라 보여도 모두 다음 다섯 축으로 설명할 수 있다. 한 축이 빠지면 결과의 해석이 흔들린다. 예를 들어 기준선 없이 학습 모델의 지표만 보면 성능이 좋다고 판단할 근거가 없고, 실패 유형을 모르면 같은 모델이 다른 환경에서 무너지는 이유를 따라갈 수 없다.

다섯 축은 입력 → 라벨 → 기준선 → 평가 지표 → 실패 유형의 순서로 따진다. 라벨을 정하기 전에 기준선의 수치를 비교하거나, 평가 지표를 정하기 전에 실패 유형을 따지면 논의가 사람마다 다른 전제 위에 선다.

축 1: 입력

입력 축은 모델이 받는 표현이 신호처리 과정의 어느 단계에서 나오는지를 묻는다. 탐지 사례는 MTI를 거친 RD 맵(64 × 200), 행동 인식 사례는 표적 range bin의 slow-time(느린 시간) 신호의 STFT 스펙트로그램, 지도 작성 사례는 RD 셀 하나의 복소 안테나 벡터, speckle 제거 사례는 SAR 진폭 영상 한 장이다. 네 사례 모두 원시 beat 신호가 아니라 신호처리를 거친 표현을 입력으로 쓴다. 기준선과 학습 모델이 같은 표현을 보아야 비교가 공정하다.

입력 표현이 정해지면 두 가지가 함께 정해진다. 하나는 정규화 방식이다. 탐지 사례는 log-magnitude로 동적 범위를 압축하고, 행동 인식 사례는 dB 눈금의 스펙트로그램을 [0, 1]로 정규화하며, speckle 제거 사례는 SAR 진폭의 곱셈 speckle 통계를 고려해 로그 영역으로 옮긴다. 다른 하나는 채널 구성이다. 탐지 사례는 크기와 위상의 두 채널을, 지도 작성 사례의 RadarCubeDoANet은 각도 FFT 이전의 안테나 벡터를 실수부와 허수부 두 채널로 받는다. 따라서 입력이 무엇인지 물을 때는 표현, 정규화, 채널의 셋을 함께 묻는다.

축 2: 라벨

라벨 축은 양성을 어떤 물리 조건으로 정의하는지 묻는다. 탐지 사례는 피크 SNR이 6 dB 이상인 표적의 5셀 십자 마스크, 행동 인식 사례는 여섯 활동 클래스(walk, run, sit_down, fall, wave, idle) 가운데 하나, 지도 작성 사례는 정답 각도와 점유 격자의 점유/free 셀, speckle 제거 사례는 pseudo-clean 참조 영상으로, multi-look 영상이나 필터링한 영상이다. 라벨 정의가 좁으면 학습 목표가 분명해지지만 지표의 천장이 낮아지고, 너무 넓으면 false alarm의 정의가 너그러워져 기준선 비교가 흐려진다.

축 3: 기준선

기준선 축은 같은 입력과 같은 라벨에서 학습 모델과 비교할 신호처리 기준선이 무엇인지 묻는다. 탐지 사례의 CA-CFAR는 국소 통계 기반의 임계값(14장), 행동 인식 사례의 수작업 특징 + SVM은 도메인 전문가가 설계한 특징, 지도 작성 사례의 각도 FFT/MUSIC은 배열 신호처리의 표준 도래각 추정(12장), speckle 제거 사례의 Lee/Frost 필터는 SAR speckle 통계 기반의 적응 필터이다. 네 기준선은 모두 사람이 결과를 단계별로 해석할 수 있다. 사례 연구에서는 기준선의 수치 자체보다, 기준선의 실패 유형과 학습 모델의 실패 유형을 나란히 놓고 비교하는 일이 더 중요하다.

축 4: 평가 지표

평가 지표 축은 사례마다 운용에 뜻 있는 지표가 무엇인지 묻는다. 네 사례 모두 숫자 하나로 충분하지 않다. 탐지 사례는 $P_D$, $P_{FA}$, F1, RD 맵당 false alarm의 넷, 행동 인식 사례는 accuracy와 클래스별 혼동 행렬, 지도 작성 사례는 각도 MAE와 점유 격자 지도 IoU(또는 log-odds 오차)의 두 층, speckle 제거 사례는 PSNR과 SSIM에 ENL(equivalent number of looks)과 경계 보존 지수(EPI)를 함께 본다.

지표를 여러 축으로 보아야 하는 까닭은 지표 하나의 천장이 다른 축의 비용을 가리기 때문이다. 탐지 사례에서 $P_D$를 올리면 $P_{FA}$도 함께 오른다. speckle 제거 사례에서는 PSNR과 SSIM이 함께 올라도 경계가 뭉개질 수 있어, 경계 보존을 따로 본다(23장의 EPI). 사례 연구의 평가 부분은 지표 사이의 트레이드오프(trade-off)를 밝힌다.

축 5: 실패 유형

실패 유형 축은 모델이 깨지는 조건과 깨질 때 무엇이 먼저 무너지는지 묻는다. 탐지 사례는 6 dB 아래의 표적과 이웃 표적의 가림, 행동 인식 사례는 학습 분할에 없던 aspect angle(수작업 특징은 낮은 SNR에서도), 지도 작성 사례는 사이드로브가 만드는 잘못된 점유(false occupancy)와 가려진 영역, speckle 제거 사례는 강한 경계 근처의 지나친 평활화와 약한 표적의 흡수이다. 네 실패 유형은 모델 용량의 부족이 아니라 입력 정보 자체의 한계나 라벨 정의가 비워 둔 영역에서 생긴다. 실패 유형을 밝혀야 같은 모델을 다른 데이터셋으로 옮길 때 어디부터 무너질지 예측할 수 있다.

다섯 축은 보고서에도 그대로 이어진다. 보고서의 절 제목에 다섯 축의 이름이 없더라도, 본문에는 입력, 라벨, 기준선, 평가 지표, 실패 유형의 다섯 항목이 모두 들어가야 한다. 20–23장을 다섯 축으로 따라 읽으면 보고서를 쓰는 부담이 준다.