KR20220091713A

KR20220091713A - 도메인 적응을 이용한 레이다 기반 탐지 시스템 및 그 방법

Info

Publication number: KR20220091713A
Application number: KR1020200182698A
Authority: KR
Inventors: 김경태; 최재호
Original assignee: 포항공과대학교 산학협력단
Priority date: 2020-12-24
Filing date: 2020-12-24
Publication date: 2022-07-01
Also published as: KR102478596B1

Abstract

본 발명은 도메인 적응을 이용한 레이다 기반 탐지 시스템 및 그 방법에 관한 것이다. 본 발명에 따르면, 도메인 적응을 이용한 레이다 기반 탐지 시스템을 이용한 레이다 기반 탐지 방법에 있어서, 제1 환경에 해당한 원천 도메인에서 수집된 레이다 데이터 및 대응된 레이블(label)을 이용하여 CNN 구조의 제1 신경망 모델을 학습하는 단계와, 상기 제1 신경망 모델 내의 각 컨볼루션 레이어에 적용된 각 배치 정규화 레이어의 통계적 인자와 가중치를 제2 환경의 학습을 위한 CNN 구조의 티쳐 신경망 모델 내의 해당 레이어로 전이(transfer)시키는 단계와, 제2 환경에 해당한 대상 도메인에서 수집된 레이다 데이터를 티쳐 신경망 모델과 스튜던트 신경망 모델에 각각 입력하여 도출되는 임시 레이블(psudo label)과 출력 레이블 간 오차를 이용하여 티쳐-스튜던트 네트워크를 학습하는 단계, 및 상기 대상 도메인에서 측정된 대상 레이다 데이터를 학습이 완료된 상기 스튜던트 신경망 모델에 입력하여 도출된 레이블을 탐지 결과로 제공하는 단계를 포함하는 레이다 기반 탐지 방법을 제공한다.
이에 따르면, 딥 도메인 적응 기법을 이용하여 인공지능 모델을 조정하여 클러터 환경이 변화하는 상황에서의 적응적 시스템 처리가 가능하고 환경 변화에 강인하고 신뢰성 있는 레이더 탐지 결과를 제공할 수 있다.

Description

도메인 적응을 이용한 레이다 기반 탐지 시스템 및 그 방법{Radar-based detection system and method for domain adaptation}

본 발명은 도메인 적응을 이용한 레이다 기반 탐지 시스템 및 그 방법에 관한 것으로서, 보다 상세하게는 훈련 데이터와 시험 데이터 간에 클러터 변화가 존재한다 하더라도 딥 도메인 적응 기법을 통해 기 학습된 인공지능 모델을 조정하여 환경 변화에 강인한 탐지 결과를 제공할 수 있는 도메인 적응을 이용한 레이다 기반 탐지 시스템 및 그 방법에 관한 것이다.

레이다는 사물인터넷(IoT: Internet of Things) 환경에서 카메라 기반 시스템의 사생활 침해 문제를 보완할 수 있는 핵심 센서이다.

특히, 레이다는 전파 에너지를 송수신하여 주변 환경 정보를 습득함으로써 주변 조도에 상관없이 일정한 성능을 유지할 수 있으며, 표적의 외모 또는 형상 변화에도 강인한 탐지를 수행할 수 있다.

게다가, 최근에는 IR-UWB(Impulse Radio-UltraWideBand) 레이다 및 FMCW(Frequency-Modulated Continuous Waveform) 레이다 변조 방식이 등장하며 다소 낮은 가격으로 우수한 거리 해상도의 레이다 칩을 형성할 수 있는 하드웨어 기술이 발달하며 미래 스마트 시티 혹은 스마트 빌딩을 위한 실내 IoT 응용에 레이다 센서가 활발히 응용되고 있다.

이러한 장점에도 불구하고, 훈련 데이터 및 실제 시험 데이터 간의 클러터 변화가 존재할 시, 레이다 수신 신호 내 표적 신호 및 클러터 신호가 함께 혼재하게 되어 훈련 데이터 및 시험 데이터 간 도메인 차이가 발생하게 되고, 이는 심각한 성능 저하를 유발하게 된다. 이러한 문제점은 레이다 기반 IoT 시스템을 실제 환경에 적용하는 데 있어 상당한 장애 요인으로 작용한다.

상기 문제점을 해결하기 위해, 영상 처리 및 음성 처리 등 타 분야에서와 같이 다양한 클러터 환경에서의 훈련 데이터를 수집하여 인공지능 알고리즘을 학습하거나 혹은 레이다 신호의 전처리 과정에서 완벽한 클러터 제거를 수행하는 방안을 고려해볼 수 있다.

그러나, 레이다 센서의 경우 훈련 데이터 습득 및 레이블링(labeling) 과정에 많은 자원이 소요되므로 전자의 방법에는 한계점이 존재하며, 후자의 방법 또한 현재의 신호처리 기술로는 불가능하다.

따라서, 레이다 기반 IoT 시스템의 실용성 향상을 위해서는 훈련 데이터의 추가적 수집 없이도 클러터 환경이 변화하는 상황에서의 적응적 시스템 개발 과정이 요구된다.

본 발명의 배경이 되는 기술은 한국공개특허 제2019-0082533호(2019.07.10 공개)에 개시되어 있다.

본 발명은 딥 도메인 적응 기법을 이용하여 인공지능 모델을 조정하여 환경 변화에 강인한 탐지 결과를 제공할 수 있는 도메인 적응을 이용한 레이다 기반 탐지 시스템 및 그 방법을 제공하는데 목적이 있다.

본 발명은, 도메인 적응을 이용한 레이다 기반 탐지 시스템을 이용한 레이다 기반 탐지 방법에 있어서, 제1 환경에 해당한 원천 도메인에서 수집된 레이다 데이터 및 대응된 레이블(label)을 이용하여 CNN 구조의 제1 신경망 모델을 학습하는 단계와, 상기 제1 신경망 모델 내의 각 컨볼루션 레이어에 적용된 각 배치 정규화 레이어의 통계적 인자와 가중치를 제2 환경의 학습을 위한 CNN 구조의 티쳐 신경망 모델 내의 해당 레이어로 전이(transfer)시키는 단계와, 제2 환경에 해당한 대상 도메인에서 수집된 레이다 데이터를 티쳐 신경망 모델과 스튜던트 신경망 모델에 각각 입력하여 도출되는 임시 레이블(psudo label)과 출력 레이블 간 오차를 이용하여 티쳐-스튜던트 네트워크를 학습하는 단계, 및 상기 대상 도메인에서 측정된 대상 레이다 데이터를 학습이 완료된 상기 스튜던트 신경망 모델에 입력하여 도출된 레이블을 탐지 결과로 제공하는 단계를 포함하는 레이다 기반 탐지 방법을 제공한다.

또한, 상기 제1 신경망 모델은, 상기 원천 도메인에서 측정된 레이다 데이터를 분석하여 얻은 레이블 별 확률값 중 최대 확률값을 가진 레이블을 분류 결과로 출력하고, 상기 티쳐 신경망 모델 및 상기 스튜던트 신경망 모델은, 상기 대상 도메인에서 측정된 레이다 데이터를 분석하여 얻은 레이블 별 확률값 중 최대 확률값을 가진 레이블을 분류 결과로 출력할 수 있다.

또한, 상기 원천 도메인과 대상 도메인은 서로 다른 클러터 환경을 가진 공간이며, 각각의 신경망 모델은, 해당 도메인 내에 존재하는 인원수를 추정하는 모델일 수 있다.

또한, 각각의 신경망 모델에 입력되는 레이다 데이터는, 해당 환경에서 획득한 레이다 수신 신호를 기 설정된 방식으로 전처리한 데이터일 수 있다.

또한, 상기 전처리는, 해당 환경에서 사람이 미존재한 상태에서 측정된 참조 신호를 이용하여 레이다 수신 신호로부터 클러터를 제거하는 클러터 제거 처리, 클러터 제거된 레이다 수신 신호에 레이다 송신 신호를 합성곱 연산하는 정합 필터링 처리, 그리고 정합 필터링된 레이다 수신 신호를 0과 1 사이의 값으로 조정하는 정규화 처리를 포함할 수 있다.

또한, 상기 티쳐-스튜던트 네트워크를 학습하는 단계는, 입력되는 레이다 데이터 중에서 상기 티쳐 신경망 모델에서 분석된 레이블 별 확률값 중 하나가 기준값 이상을 만족하는 조건의 신뢰도 있는 레이다 데이터만을 선별하여 상기 티쳐-스튜던트 네트워크를 학습할 수 있다.

또한, 상기 티쳐-스튜던트 네트워크를 학습하는 단계는, 상기 오차를 역전파하여 상기 스튜던트 신경망 모델의 각 레이어에 대한 가중치를 업데이트하는 단계와, 상기 스튜던트 신경망 모델의 각 레이어 중 콘볼류션 레이어 및 풀리 커넥티드 레이어 각각의 업데이트된 가중치를 평균 필터(average filter)를 통해 조정하여, 조정된 가중치를 상기 티쳐 신경망 모델 내의 해당 레이어의 가중치로 각각 업데이트 적용하는 단계, 및 업데이트된 티쳐-스튜던트 네트워크에 대하여 새로운 레이다 데이터를 입력하여 반복 학습하는 단계를 포함할 수 있다.

그리고, 본 발명은, 도메인 적응을 이용한 레이다 기반 탐지 시스템에 있어서, 제1 환경에 해당한 원천 도메인에서 수집된 레이다 데이터 및 대응된 레이블(label)을 이용하여 CNN 구조의 제1 신경망 모델을 학습하는 제1 도메인 학습부와, 상기 제1 신경망 모델 내의 각 컨볼루션 레이어에 적용된 각 배치 정규화 레이어의 통계적 인자와 가중치를 제2 환경의 학습을 위한 CNN 구조의 티쳐 신경망 모델 내의 해당 레이어로 전이(transfer)시키는 도메인 전이부와, 제2 환경에 해당한 대상 도메인에서 수집된 레이다 데이터를 티쳐 신경망 모델과 스튜던트 신경망 모델에 각각 입력하여 도출되는 임시 레이블(psudo label)과 출력 레이블 간 오차를 이용하여 티쳐-스튜던트 네트워크를 학습하는 제2 도메인 학습부, 및 상기 대상 도메인에서 측정된 대상 레이다 데이터를 학습이 완료된 상기 스튜던트 신경망 모델에 입력하여 도출된 레이블을 탐지 결과로 제공하는 탐지부를 포함하는 레이다 기반 탐지 시스템을 제공한다.

본 발명에 따르면, 딥 도메인 적응 기법을 이용하여 인공지능 모델을 조정하여 클러터 환경이 변화하는 상황에서의 적응적 시스템 처리가 가능하고 환경 변화에 강인하고 신뢰성 있는 레이더 탐지 결과를 제공할 수 있다.

도 1은 본 발명의 실시예에 따른 도메인 적응을 이용한 레이다 기반 탐지 시스템의 동작 개념도이다.
도 2는 본 발명의 실시예에 따른 도메인 적응을 이용한 레이다 기반 탐지 시스템의 구성을 나타낸 도면이다.
도 3은 도 1을 이용한 레이다 탐지 방법을 설명하는 도면이다.
도 4는 본 발명의 실시예에서 원천 도메인에서의 신경망 모델의 지도 학습을 설명하는 도면이다.
도 5는 본 발명의 실시예에서 사용된 CNN 기반의 신경망 모델의 구조를 설명한 도면이다.
도 6는 본 발명의 실시예에서 도메인 전이 과정을 설명하는 도면이다.
도 7은 서로 다른 환경에서의 레이더 수신 신호의 예시를 나타낸 도면이다.
도 8은 도 6의 도메인 전이 과정을 구체적으로 나타낸 도면이다.
도 9는 본 발명의 실시예에서 대상 도메인에 적용되는 티쳐-스튜던트 네트워크의 비지도 학습 과정을 설명한 도면이다.
도 10은 도 9를 통해 학습이 완료된 스튜던트 신경망 모델에 대상 도메인의 레이더 데이터를 입력하여 탐지 결과를 도출하는 모습을 나타낸 도면이다..
도 11은 본 발명의 실시예에서 레이다 데이터의 전처리를 위하여 레이다 데이터를 행렬 형태로 변환하는 과정을 설명한 도면이다.
도 12는 본 발명의 실시예에 따른 레이다 데이터의 전처리 과정을 설명하기 위한 도면이다.
도 13은 본 발명의 실시예에 따른 기법의 성능 실험에 사용된 두 가지 유형의 실내 환경을 나타낸 도면이다.

그러면 첨부한 도면을 참고로 하여 본 발명의 실시 예에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시 예에 한정되지 않는다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.

명세서 전체에서, 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 경우뿐 아니라, 그 중간에 다른 소자를 사이에 두고 "전기적으로 연결"되어 있는 경우도 포함한다. 또한 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다.

본 발명은 딥 도메인 적응 이론을 이용한 레이다 기반 탐지 기법으로, 레이다 기반 IoT 시스템에 있어 클러터(clutter) 환경의 변화가 존재한다 하더라도 딥 도메인 적응 기법을 통하여 기 학습된 인공지능 모델을 조정하여, 클러터 환경이 변화하는 상황에서의 적응적 시스템 처리가 가능하고 환경 변화에 강인한 레이더 탐지 기법을 제안한다.

도 1은 본 발명의 실시예에 따른 도메인 적응을 이용한 레이다 기반 탐지 시스템의 동작 개념도이다.

도 1에 나타낸 것과 같이, 본 발명의 경우 환경 A로부터 습득된 레이다 데이터를 이용하여 지도 학습(supervised learning)을 통해 최적화한 DNN(Deep Neural Network)으로부터 클러터 환경에 해당하는 정보만을 딥 도메인 적응(deep domain adaptation)을 통해 환경 B로 전이함으로써, 환경 B에서의 레이다 수신 신호에 대한 레이블링(labeling) 과정(지도 학습) 없이도 해당 환경에서 강인(robust)하게 동작할 수 있는 레이다 기반 IoT 시스템을 설계할 수 있다.

본 발명의 실시예에 따른 레이다 기반 탐지 시스템은 사물 인터넷(Inter of Things; IoT) 환경에서 각종 환경 정보를 측정하는 센서로 활용될 수 있으며 IoT 센서 또는 IoT 기기에 포함되어 구현될 수 있다.

이하에서는 설명의 편의상 실내 환경에서 측정된 레이다 수신 신호를 딥러닝 분석하여 해당 환경에 존재하는 사람의 인원수를 환경 인자(환경 값)로 추정하는 시스템을 대표 예시로 하여 설명한다. 다만, 본 발명의 실시예에 따른 시스템이 반드시 이에 한정 적용되는 것은 아니며, 레이다 수신 신호의 딥러닝 분석을 기반으로 특정 도메인 상의 환경 요소(센싱 요소)를 탐지하거나 추정하는 시스템에 대해 전반적으로 적용될 수 있다.

본 발명의 실시예에서 환경 A(제1 환경)는 원천 도메인(source domain), 환경 B(제2 환경)는 대상 도메인(target domain)으로 정의한다. 원천 도메인과 대상 도메인은 서로 다른 클러터 환경을 가진 공간에 해당한다. 본 발명의 실시예에서 사용되는 각각의 신경망 모델은 해당 도메인 내에 존재하는 인원수를 추정하는 모델에 해당할 수 있다.

본 발명의 실시예는 원천 도메인에서의 지도 학습 과정, 대상 도메인으로의 도메인 전이(적응) 과정, 대상 도메인에서의 미세 조정 과정을 포함하여 구성된다. 도메인 적응 과정과 미세 조정 과정은 비지도 학습을 통한 DNN(Deep Neural Network) 최적화 과정을 나타낸다.

DNN 설계 과정의 경우, 시간에 따른 레이다 신호를 2차원 영상으로 가정하여 CNN(Convolutional Neural Network)를 통해 특징 추출을 수행하도록 설계하였으며, 시스템의 목적에 따라 출력단을 조정할 수 있다.

여기서, 비지도 학습 과정을 도메인 적응 및 미세 조정의 두 단계에 걸쳐 수행하는 이유는 도메인 적응을 통해 네트워크 캘리브레이션(calibration)을 먼저 수행하고, 미세 조정을 통해 더욱 정확도를 향상시키기 위함이다. 이때 도메인 적응 단계에서는 적응적 배치 정규화(adaptive batch normalization)을 통해 도메인 전이를 수행하며, 미세 조정 과정에서의 재학습에서는 선생-학생(teacher-student) 기반 학습을 수행한다.

이하에서는 본 발명의 실시예에 따른 도메인 적응을 이용한 레이다 기반 탐지 시스템을 보다 상세히 설명한다.

도 2는 본 발명의 실시예에 따른 도메인 적응을 이용한 레이다 기반 탐지 시스템의 구성을 나타낸 도면이고, 도 3은 도 1을 이용한 레이다 탐지 방법을 설명하는 도면이다.

도 2 및 도 3을 참조하면, 본 발명의 실시예에 따른 레이다 기반 탐지 시스템(100)은 제1 도메인 학습부(110), 도메인 전이부(120), 제2 도메인 학습부, 탐지부(140)를 포함한다. 여기서, 각 부(110~140)의 동작 및 각 부간 데이터 흐름 제어는 제어부(미도시)에 의해 수행될 수 있다.

먼저, 제1 도메인 학습부(110)는 제1 환경(환경 A)에 해당한 원천 도메인(source domain)에서 수집된 레이다 데이터 및 그에 대응된 레이블(label)을 이용하여, CNN(Convolutional Neural Network) 구조의 제1 신경망 모델을 학습한다(S210). 여기서 레이다 데이터란, 레이다 장치에서 송출한 레이다 송신 신호에 대응하여 반사되어 돌아온 레이다 수신 신호를 의미한다.

도 4는 본 발명의 실시예에서 원천 도메인에서의 신경망 모델의 지도 학습을 설명하는 도면이다.

도 4와 같이, 제1 도메인 학습부(110)는 환경 A에서 수집된 레이블링(정답이 레이블링)된 레이더 수신 데이터를 CNN 구조의 제1 신경망 모델(10)에 적용하여 지도 학습한다. 만일, 레이다 탐지 시스템이 인원수 추정 시스템인 경우, 환경 A에서 측정된 레이다 데이터에 대해 해당 환경에 실제 존재한 인원수를 레이블링한 데이터 세트를 사용하여 CNN 구조를 갖는 제1 신경망 모델(10)을 지도 학습시킨다.

도 5는 본 발명의 실시예에서 사용된 CNN 기반의 신경망 모델의 구조를 설명한 도면이다. 사용된 네트워크는 CNN 구조로 구성되며, 1250(거리 축)×50(시간 축) 크기의 레이다 프레임을 입력받아 출력을 하도록 구성된다.

도 5의 네트워크는 크게 특징 추출부와 클래스 분류부를 포함하여 구성될 수 있다. 특징 추출부는 콘볼루션 레이어(Convolution Layer), 배치 정규화 레이어(batch normalization Layer), 그리고 풀링 레이어(Pooling Layer)를 여러 겹 쌓는 형태로 구성되는데, 구체적으로는 복수 단의 컨볼루션 레이어, 배치 정규화 레이어, 활성화 함수(미도시), 그리고 풀링(pooling) 레이어의 조합으로 구성되어 있다.

여기서, 각각의 배치 정규화 레이어는 바로 앞의 콘볼루션 레이어의 출력을 입력받아 데이터를 통계적으로 정규화하도록 동작한다. 즉, 컨볼루션 레이어 마다 배치 정규화 레이어가 구비된다. 구체적으로는 배치 정규화 레이어는 컨볼루션 레이어에서 출력된 데이터의 평균과 분산을 조정하여 데이터를 정규 분포로 만들기 위한 통계적 정규화를 수행한다. 이를 통해 각각의 배치 정규화 레이어의 통계적 인자(평균, 분산)와 가중치가 결정된다. 풀링 레이어는 활성화 함수를 거친 데이터의 사이즈(크기)를 축소하여 다음 레이어로 전달한다.

CNN 네트워크에서 출력 모듈(클래스 분류부)은 목적에 따라 변경될 수 있는데, 레이다 기반 인원수 추정 시스템의 경우 FCN(fully-connected network) 및 소프트맥스(soft-max) 모듈을 추가하여 출력 모듈을 구성할 수 있으며, 이 경우 각각의 인원수 별(레이블 별) 확률 정보가 출력되어 가장 높은 확률 값을 나타낸 인원수를 탐지 결과로 제공할 수 있다.

이에 따르면, 제1 신경망 모델(10)은 원천 도메인(환경 A)에서 측정된 레이다 데이터를 분석하여 얻은 레이블 별 확률값 중 최대 확률값을 가진 레이블을 분류 결과로 출력하도록 학습된다.

물론, 후술하는 티쳐 신경망 모델(22) 및 스튜던트 신경망 모델(21) 또한 대상 도메인(환경 B)에서 측정된 레이다 데이터를 분석하여 얻은 레이블 별 확률값 중 최대 확률값을 가진 레이블을 분류 결과로 출력하도록 학습이 이루어진다.

이와 같이, 본 발명은 도 5에 나타낸 콘볼루션 신경망(CNN) 구조의 제1 신경망 모델(10)을 원천 도메인의 레이다 데이터를 이용하여 지도 학습함으로써, 환경 A에서 동작하는 레이다 기반 IoT 시스템을 형성할 수 있다.

도메인 전이부(120)는 환경 A에서 지도 학습을 통해 최적화한 제1 신경망 모델(10)의 도메인 정보를 딥 도메인 적응(deep domain adaptation)을 통하여 환경 B의 비지도 학습을 위한 티쳐 신경망 모델(22)로 전이(transfer)한다(S320).

도 6는 본 발명의 실시예에서 도메인 전이 과정을 설명하는 도면이다.

도 6과 같이, S320 단계는 환경 A에서 동작하는 네트워크(10)를 1차적으로 환경 B로 전이하는 과정에 해당한다. 이때, 적응적 배치 정규화(Adaptive batch normalization; AdaBN)을 통해 도메인 적응이 가능하며, 이는 원천 도메인에서 기 학습된 네트워크 내 모든 배치 정규화 레이어의 통계적 정보(특징 평균, 특징 분산)와 가중치를 대상 도메인의 통계적 정보로 전부 대체함으로써 이루어진다.

일반적으로 DNN의 도메인 정보는 배치 정규화 레이어의 통계적 정보에 함축되어 있음이 보고된 바 있으므로, 해당 과정을 통하여 B 환경으로의 정보 전이가 가능하다.

구체적으로, 도메인 전이부(120)는 지도 학습이 완료된 제1 신경망 모델(10) 내의 각 컨볼루션 레이어의 출력에 적용(연결)된 각 배치 정규화 레이어의 통계적 인자와 가중치를 제2 환경(환경 A)의 학습을 위한 CNN 구조의 티쳐 신경망 모델(22) 내의 해당 레이어로 전이시킨다.

도 7은 서로 다른 환경에서의 레이더 수신 신호의 예를 나타낸 도면이고, 도 8은 도 6의 도메인 전이 과정을 구체적으로 나타낸 도면이다.

도 7의 (a)는 환경 A에서 수집된 레이더 수신 신호, (b)는 환경 B에서 수집된 레이더 수신 신호를 예시한 것이다. 두 가지 모두 해당 환경 내에 1명의 인원이 존재할 때의 데이터이며, 동일 인원수라 하더라도 상이한 클러터 환경에 따라 레이다 신호의 패턴이 달라진 것을 알 수 있다.

도 8의 상단 그림은 환경 A에서 동작하는 제1 신경망 모델(10)에 해당하고 하단 그림은 환경 B에 동작하며 환경 A의 도메인 전이가 이루어지는 티쳐 신경망 모델(22)에 해당한다. 각각의 신경망에는 도 7의 (a)와 (b)의 데이터가 각각 입력되어 지도 학습 또는 비지도 학습된다.

제1 신경망 모델(10)의 경우 환경 A에서 수집된 데이터(예:도 7의 (a))(레이블링된 데이터)를 이용하여 지도 학습된다. 그리고, 티쳐 신경망 모델(22)의 경우 환경 B에서 수집된 레이더 데이터(예: 도 7의 (b))(레이블이 없는 데이터)를 이용하여 비지도 학습된다. 물론 티쳐 신경망 모델(22)과 연동되는 스튜던트 신경망 모델(21) 역시 환경 B에서 수집된 레이더 데이터를 통하여 비지도 학습된다.

제1 신경망 모델(10) 내 각 배치 정규화 레이어의 도메인 정보가 적응적 배치 정규화 기법(AdaBN)을 통해 모두 티쳐 신경망 모델(22) 내의 해당 레이어로 전이되어 도메인 적응 단계가 진행된다. 이에 따라 티쳐 신경망 모델(22) 내 각각의 배치 정규화 레이어의 통계적 인자와 가중치는 해당 값으로 모두 대체되고 초기화된다.

그런데 도메인 전이를 수행하더라도 원천 도메인의 데이터와 대상 도메인의 데이터 간의 바이어스가 상이하므로, AdaBN 기반의 도메인 적응 만으로는 네트워크의 성능 향상에는 한계가 따르게 된다.

이를 보다 구체적으로 설명하면, 우선 도메인 정보가 1차적으로 전이된 네트워크(티쳐 신경망 모델)는 임의의 환경 B의 데이터로부터 임시 레이블(psudo-label)을 도출하고, 이러한 점은 티쳐 신경망 모델을 임의 환경 B의 레이더 데이터에 대해 적용할 경우 어느 정도 수준의 탐지 또는 추정 결과를 도출함을 의미한다.

다만, 환경 A와 환경 B는 클러터 환경(주변 환경)이 상이하여, 도메인 적응만으로는 환경 B에 적용되는 네트워크의 정확도에 한계가 있으므로, 환경 B에서의 추정 정확도를 높이기 위해서는, 동일한 데이터 입력에 대응하여 도출된 티쳐 신경망 모델(22)과 스튜던트 신경망 모델(21)의 출력 간 오차가 최소화되도록 티쳐-스튜던트 네트워크(20)를 미세 조정하는 과정을 거친다.

S320 단계 이후, 제2 도메인 학습부(130)는 제2 환경(환경 A)에 해당한 대상 도메인에서 수집된 레이다 데이터를 티쳐 신경망 모델(22)과 스튜던트 신경망 모델(21)에 각각 입력하여 도출되는 임시 레이블(psudo label)과 출력 레이블 간 오차를 이용하여 티쳐-스튜던트 네트워크(20)를 비지도 학습한다(S330).

도메인 전이가 수행된 티쳐 네트워크는 스튜던트 네트워크를 학습하는데 활용되고, 학습이 완료된 스튜던트 네트워크는 환경 B의 레이다 데이터로부터 탐지 결과를 도출하는데 활용된다.

제2 도메인 학습부(130)는 제2 환경에서 수집된 레이더 데이터 셋을 학습 데이터로 사용하여 티쳐-스튜던트 네트워크(20)를 학습시킨다. 이때, 레이더 데이터 셋 중에서 신뢰성이 임계치 이상인 데이터만 활용하고 나머지는 학습에 사용하지 않도록 한다.

구체적으로, 티쳐 신경망 모델(22)에 레이다 데이터를 입력하였을 때 티쳐 신경망 모델(22)에서 분석된 레이블 별 확률값 중 선택된 하나가 기준값(예: 80%) 이상을 만족하면, 해당 레이더 데이터를 학습 대상으로 포함시키고, 그렇지 않고 각 레이블 별 확률 값이 모두 기준값(예: 80%) 이하이면 해당 레이다 데이터를 학습 대상에서 제외시킨다.

간단한 예로, 분류 가능한 레이블이 총 3가지(인원수를 최대 3명까지 분류하는 모델)인 경우를 가정한다.

이때, 제1 레이다 데이터의 입력에 대응하여 티쳐 신경망 모델에서 분석된 레이블 '1'의 확률(인원수가 1명일 확률) = 54%, 레이블 '2'의 확률(2명일 확률) = 22%, 레이블 '3'의 확률(3명일 확률) = 20%로 분석된 경우, 모든 레이블의 확률 값이 기준값(80%) 미만에 해당하므로, 제1 레이다 데이터를 학습 대상에서 제외시킨다.

또한, 제2 레이다 데이터의 입력에 대응하여 티쳐 신경망 모델에서 분석된 레이블 '1'의 확률 = 23%, 레이블 '2'의 확률 = 1%, 레이블 '3'의 확률 = 91%로 분석된 경우에는 상기의 조건을 만족하므로, 제2 레이다 데이터를 신뢰도 있는 데이터로 판단하여 티쳐-스튜던트 네트워크(20)의 학습에 그대로 활용한다.

이와 같이, 제2 도메인 학습부(130)는 입력되는 레이다 데이터 중에서 티쳐 신경망 모델에서 분석된 레이블 별 확률값 중 하나가 기준값 이상을 만족하는 조건의 신뢰도 있는 레이다 데이터만을 선별하여 티쳐-스튜던트 네트워크(20)를 학습하도록 한다. 즉, 80% 이상의 신뢰도를 지니는 샘플만을 선택하여 학습을 진행한다.

도 1O은 본 발명의 실시예에서 대상 도메인에 적용되는 티쳐-스튜던트 네트워크의 비지도 학습 과정을 설명한 도면이다.

도 9에 나타낸 것과 같이, 제2 도메인 학습부(130)는 도 9에 도시된 방법으로 티쳐-스튜던트 네트워크(20)를 학습시킨다.

먼저, 제2 도메인 학습부(130)는 하나의 동일한 레이다 데이터의 입력에 대응하여 티쳐 신경망 모델(22)에서 출력된 임시 레이블(y^tea)과 스튜던트 신경망 모델(21)에서 출력된 레이블(y^stu) 간의 오차를 연산한다. 여기서, 오차는 평균 제곱 오차(MSE; Mean Squared Error)에 해당할 수 있다. 이러한 오차는 로스 값에 해당한다.

여기서, 오차를 역전파하여 티쳐-스튜던트 네트워크를 재학습하는 과정은 다음과 같다.

먼저, 제2 도메인 학습부(130)는 연산한 오차를 역전파하여 스튜던트 신경망 모델(21)의 각 레이어에 대한 가중치(weight)를 업데이트한다(과정 a). 스튜던트 신경망 모델(21)은 역전파 과정을 통하여 상술한 오차 값이 임계 미만이 되도록 점차 학습될 수 있다.

여기서, 제2 도메인 학습부(130)는 스튜던트 신경망 모델(21)의 각 레이어 중에서도 배치 정규화 레이어를 제외한 콘볼류션 레이어 및 풀리 커넥티드 레이어 각각의 업데이트된 가중치를 티쳐 신경망 모델(22) 내의 해당 레이어의 가중치로 각각 업데이트 적용한다(과정 b).

그리고, 과정 a, b의 방법으로 업데이트된 티쳐-스튜던트 네트워크에 대하여, 새로운 레이다 데이터를 입력하여 반복 학습한다.

여기서 과정 b에서는, 스튜던트 신경망 모델(21) 내의 콘볼류션 레이어와 풀리 커넥티드 레이어 각각의 업데이트된 가중치를 평균 필터(average filter)를 통하여 조정하고, 조정된 가중치 값을 티쳐 신경망 모델(22) 내의 해당 레이어(콘볼루션 레이어, 풀리 커넥티드 레이어)의 가중치 값으로 각각 업데이트 한다.

평균 필터는 아래의 수학식 1과 같이 표현될 수 있다.

여기서,

는 t번째 update 상태에서 Teacher network(22)의 모든 convolution, fully-connected layer의 weight,

는 t-1번째 update 상태에서 Teacher network(22)의 모든 convolution, fully-connected layer의 weight,

는 t번째 update 상태에서 Student network(21)의 모든 convolution, fully-connected layer의 weight이다.

는 하이퍼 파라미터(Hyperparameter)로서 평균할 정도를 조정하는 상수를 나타낸다.

이와 같이, 제2 도메인 학습부(130)는 입력된 레이다 데이터에 대하여 역전파를 기반으로 스튜던트 신경망 모델(21) 내 각 레이어의 가중치를 조정(업데이트)하고, 오차가 임계 이하가 되도록 이를 반복함으로써, 스튜던트 신경망 모델(21)의 출력(y^stu)이 티쳐 신경망 모델(22)의 출력(y^tea)을 추종하도록 학습시킬 수 있다.

이와 같이, 레이다 데이터로부터 티쳐-스튜던트 학습 프레임워크를 이용하여 재학습을 수행함으로써 환경 B에서 더욱 정확하게 동작하는 시스템을 형성할 수 있다.

즉, 환경 B에 대한 네트워크 학습이 완료된 이후에, 탐지부(140)는 대상 도메인(환경 B)에서 측정된 대상 레이다 데이터(테스트 레이다 데이터)를 스튜던트 신경망 모델(21)에 입력하여 그에 대응된 레이블을 도출하고, 도출된 레이블을 탐지 결과(인원수 추정 결과)로 제공한다(S340).

즉, 스튜던트 신경망 모델(21)은 대상 도메인(환경 B)에서 측정된 대상 레이다 데이터를 분석하여 얻은 레이블 별 확률값 중 최대 확률값을 가진 레이블을 분류 결과로 출력하게 된다.

도 10은 도 9를 통해 학습이 완료된 스튜던트 신경망 모델에 대상 도메인의 레이더 데이터를 입력하여 탐지 결과를 도출하는 모습을 나타낸 도면이다.

도 10과 같이, 티쳐-스튜던트 네트워크 학습이 완료된 이후부터는 스튜던트 신경망 모델(21)에 환경 B에서 측정한 레이다 데이터를 입력하는 것만으로 환경 B에 존재하는 인원수를 출력 값으로 도출해낼 수 있게 된다.

한편, 본 발명의 실시예에서 각각의 신경망 모델(10,21,22)에 입력되는 레이더 데이터는 해당 환경에서 획득한 레이다 수신 신호(레이다 데이터)를 기 설정된 방식으로 전처리한 데이터에 해당할 수 있다. 물론 본 발명의 실시예는 이를 위한 전처리부(미도시)를 더 포함할 수 있다.

환경 A에서 수집한 레이다 수신 신호는 설정 기법으로 전처리된 후에 제1 신경망 모델(10)에 입력되어 A 환경에서 구동하는 제1 신경망 모델(10)의 지도 학습에 활용된다. 그리고 환경 B에서 수집한 레이다 데이터 역시 설정 기법으로 전처리된 후에 티쳐 신경망 모델(22)과 스튜던트 신경망 모델(21)에 동시 입력되어 B 환경에서 구동하는 티쳐-스튜던트 네트워크(20)의 학습에 활용된다.

이때, 전처리는 클러터 제거 처리(해당 환경에서 사람이 미존재한 상태에서 측정된 참조 신호를 이용하여 레이다 수신 신호로부터 클러터를 제거), 정합 필터링 처리(클러터 제거된 레이다 수신 신호에 레이다 송신 신호를 합성곱 연산), 그리고 정규화 처리(정합 필터링된 레이다 수신 신호를 0과 1 사이의 값으로 조정) 과정을 포함할 수 있다.

도 11은 본 발명의 실시예에서 레이다 데이터의 전처리를 위하여 레이다 데이터를 행렬 형태로 변환하는 과정을 설명한 도면이다.

도 11의 상단 그림은 한 프레임의 레이다 수신 신호에 대한 레인지 별 크기를 나타낸 것으로, 가로축은 레인지[m], 세로 축은 크기를 나타낸다.

사용된 레이다 장치는 한 프레임 당 N_p-1 개의 펄스를 연속하여 송출하는 레이더에 해당한다. 이 경우, 레이다 수신 신호

는 수학식 2과 같이 정의된다.

여기서, j = {1,2,…,N_p-1}로서, 한 프레임 안에 연속한 N_p-1개의 펄스 중 j번째 펄스를 나타낸다. 따라서 r_j는 한 프레임 내 j번째 펄스이다. N_r은 펄스에 대한 샘플링 레인지 빈(range bin)의 개수를 나타낸다. T는 전치 행렬 연산(transpose operation)이다.

수학식 2의 레이다 수신 신호의 성분 r_j(t_i)는 프레임 내 j번째 펄스의 수신 신호에 대한 i번째 레인지 빈 성분을 나타낸다.

이를 j번째 개의 행과 N_r개의 열로 구성된 행렬로 표현하면 아래의 수학식 3과 같다.

이때, 행렬 F 내의 각 원소 r_j ^S(t_i)는 r_j(t_i)을 전처리하여 정규화한 신호를 나타낸다. 전처리 방법은 다음과 같다.

도 12는 본 발명의 실시예에 따른 레이다 데이터의 전처리 과정을 설명하기 위한 도면이다. 이하에서는 설명의 편의상 r_j(t_i)를 간단히 r_j로 명명한다.

먼저, r_j의 레벨을 수학식 4의 방법으로 영점 조정하여 DC 레벨을 보정한다(1).

는 DC 레벨 보정이 완료된 신호에 해당한다.

다음, 환경 A에서 사람이 미존재한 상태에서 측정된 참조 신호

를 이용하여

로부터 클러터를 제거한다(2).

로부터 클러터에 해당한 괄호 성분 (·)을 제거하면

가 도출된다. 이때, (·)은 사람이 미존재한 상태에서 측정된 클러터 성분으로, 실질적으로는 참조 신호

를 수학식 4와 동일한 방법으로 영점 조정한 신호에 해당함을 알 수 있다.

이후, 아래의 수학식 6과 같이 클러터가 제거된 신호

에 레이다 송신 신호

를 합성 곱 연산하여 정합 필터링을 수행하며(3), 이를 통해 레이다 수신 신호의 신호대 잡음비(SNR)를 향상시킨다.

다음, 정합 필터링된 신호

를 수학식 7과 같이 보간(interpolation)한다(4). Interp(·)는 보간 함수를 나타낸다. 이를 통하여 신호가 리사이징(축소 조정)될 수 있다. 이러한 데이터 보간은 생략될 수도 있다.

이후, 정합 필터링된 신호 를 0과 1 사이의 값으로 조정하여 정규화한다(5). 정규화 방법은 수학식 8과 같다.

이때,

은 r_j(t_i)에 해당한 요소이며 실질적으로는 보간 이전의 신호 또는 보간 이후의 신호에 해당할 수 있다. 보간 이전의 신호로 가정하면, 정합 필터링이 완료된 상태의 r_j(t_i)를 수학식 3과 같은 행렬로 표현한 다음, 수학식 7의 방법과 같이 r_j(t_i)와 동일한 열(j번째 열)에 속한 N_r개 원소 값들의 평균 E(F)과 분산 var(F)을 이용하여 r_j(t_i)값을 정규화하여 r_j ^S(t_i)을 얻는다.

환경 B의 레이다 데이터 역시 상술한 방법으로 정규화를 거치며, 정규화된 행렬의 신호를 해당 신경망 모델에 입력하여 학습을 진행하도록 한다.

본 발명의 기법을 성능 검증을 위해, 상술한 와 같은 실제 실내 환경에서 0명부터 10명까지의 사람들에 대한 레이다 수신 신호를 측정하였다. 측정은 두 가지 다른 클러터 환경에서 측정되었다.

이때, 수신 신호 측정을 위해 Xethru(社)의 X4M03 IR-UWB 레이다를 사용하였으며, 해당 레이다의 사양은 표 1과 같다.

중심 주파수	8 GHz
대역폭	1.4~1.5 GHz
PRF	50 Hz
Azimuth 빔폭	65°
Elevation 빔폭	65°
최대 탐지 거리	10m

도 13은 본 발명의 실시예에 따른 기법의 성능 실험에 사용된 두 가지 유형의 실내 환경을 나타낸 도면이다.

도 13의 환경 A는 사방에 벽 및 천장이 없는 공간(사방이 트인 실내 공간)이고, 환경 B는 벽 및 천장이 존재하는 공간(막힌 실내 공간)이다. 천장이 높고 사방이 트여 있는 환경 A과 달리, 환경 B는 상대적으로 벽, 천장, 거울 등의 반사체로 인한 멀티 패스가 많은 환경에 해당한다.

각 환경에서 측정된 레이다 수신 신호를 기반으로, 환경 A 데이터셋 내 레이블 (사람 수) 정보를 통해 네트워크를 지도 학습하고, 본 발명의 기법을 통해 환경 B 로의 도메인 적응 및 미세 조정을 진행하였다.

본 발명의 기법을 통하여 환경 B에 대한 인원 계수의 추정 정확도를 산출한 결과 74.22 %의 정확도를 나타내었으며, 클러터 환경 변화 시에 40% 이하의 정확도를 나타내는 기존의 기법(예: 우도 함수를 이용한 인원 계수 기법, 랜덤 포레스트를 이용한 인원 계수 기법)에 비해 높은 성능을 가진다.

물론, 환경 B의 레이다 데이터를 지도 학습할 경우 이보다 약간 우세한 87.98%의 정확도를 나타내었지만, 매번 달라진 환경에 맞게 지도 학습을 새롭게 수행하는 것은 매우 비효율적이고 시간 소모가 큰 단점이 있다. 본 발명의 실시예는 도메인 적응과 비지도 학습을 통한 미세 조정을 통하여 이러한 단점을 해소할 수 있으며, 환경 B에 대한 지도 학습이 전혀 불필요하므로 학습 효율과 정확도를 동시에 확보할 수 있다.

이와 같이, 본 발명의 경우, 환경 A의 레이다 수신 데이터로부터 지도 학습을 통해 최적화한 네트워크 모델에 대한 도메인 전이를 통하여 환경 B에서 제한된 레이다 수신 데이터만으로 네트워크 모델을 충분히 학습할 수 있도록 함은 물론 환경 B에서 강인하게 동작할 수 있는 네트워크를 구축할 수 있다.

이상과 같은 본 발명에 따르면, 딥 도메인 적응 기법을 이용하여 인공지능 모델을 조정하여 클러터 환경이 변화하는 상황에서의 적응적 시스템 처리가 가능하고 환경 변화에 강인하고 신뢰성 있는 레이더 탐지 결과를 제공할 수 있다.

본 발명은 도면에 도시된 실시 예를 참고로 설명되었으나 이는 예시적인 것에 불과하며, 본 기술 분야의 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 다른 실시 예가 가능하다는 점을 이해할 것이다. 따라서, 본 발명의 진정한 기술적 보호 범위는 첨부된 특허청구범위의 기술적 사상에 의하여 정해져야 할 것이다.

100: 레이다 기반 탐지 시스템
110: 제1 도메인 학습부 120: 도메인 전이부
130: 제2 도메인 학습부 140: 탐지부

Claims

도메인 적응을 이용한 레이다 기반 탐지 시스템을 이용한 레이다 기반 탐지 방법에 있어서,
제1 환경에 해당한 원천 도메인에서 수집된 레이다 데이터 및 대응된 레이블(label)을 이용하여 CNN 구조의 제1 신경망 모델을 학습하는 단계;
상기 제1 신경망 모델 내의 각 컨볼루션 레이어에 적용된 각 배치 정규화 레이어의 통계적 인자와 가중치를 제2 환경의 학습을 위한 CNN 구조의 티쳐 신경망 모델 내의 해당 레이어로 전이(transfer)시키는 단계;
제2 환경에 해당한 대상 도메인에서 수집된 레이다 데이터를 티쳐 신경망 모델과 스튜던트 신경망 모델에 각각 입력하여 도출되는 임시 레이블(psudo label)과 출력 레이블 간 오차를 이용하여 티쳐-스튜던트 네트워크를 학습하는 단계; 및
상기 대상 도메인에서 측정된 대상 레이다 데이터를 학습이 완료된 상기 스튜던트 신경망 모델에 입력하여 도출된 레이블을 탐지 결과로 제공하는 단계를 포함하는 레이다 기반 탐지 방법.
청구항 1에 있어서,
상기 제1 신경망 모델은,
상기 원천 도메인에서 측정된 레이다 데이터를 분석하여 얻은 레이블 별 확률값 중 최대 확률값을 가진 레이블을 분류 결과로 출력하고,
상기 티쳐 신경망 모델 및 상기 스튜던트 신경망 모델은,
상기 대상 도메인에서 측정된 레이다 데이터를 분석하여 얻은 레이블 별 확률값 중 최대 확률값을 가진 레이블을 분류 결과로 출력하는 레이다 기반 탐지 방법.
청구항 1에 있어서,
상기 원천 도메인과 대상 도메인은 서로 다른 클러터 환경을 가진 공간이며,
각각의 신경망 모델은,
해당 도메인 내에 존재하는 인원수를 추정하는 모델인 레이다 기반 탐지 방법.
청구항 1에 있어서,
각각의 신경망 모델에 입력되는 레이다 데이터는,
해당 환경에서 획득한 레이다 수신 신호를 기 설정된 방식으로 전처리한 데이터인 레이다 기반 탐지 방법.
청구항 4에 있어서,
상기 전처리는,
해당 환경에서 사람이 미존재한 상태에서 측정된 참조 신호를 이용하여 레이다 수신 신호로부터 클러터를 제거하는 클러터 제거 처리,
클러터 제거된 레이다 수신 신호에 레이다 송신 신호를 합성곱 연산하는 정합 필터링 처리, 그리고
정합 필터링된 레이다 수신 신호를 0과 1 사이의 값으로 조정하는 정규화 처리를 포함하는 레이다 기반 탐지 방법
청구항 1에 있어서,
상기 티쳐-스튜던트 네트워크를 학습하는 단계는,
입력되는 레이다 데이터 중에서 상기 티쳐 신경망 모델에서 분석된 레이블 별 확률값 중 하나가 기준값 이상을 만족하는 조건의 신뢰도 있는 레이다 데이터만을 선별하여 상기 티쳐-스튜던트 네트워크를 학습하는 레이다 기반 탐지 방법.
청구항 1에 있어서,
상기 티쳐-스튜던트 네트워크를 학습하는 단계는,
상기 오차를 역전파하여 상기 스튜던트 신경망 모델의 각 레이어에 대한 가중치를 업데이트하는 단계;
상기 스튜던트 신경망 모델의 각 레이어 중 콘볼류션 레이어 및 풀리 커넥티드 레이어 각각의 업데이트된 가중치를 평균 필터(average filter)를 통해 조정하여, 조정된 가중치를 상기 티쳐 신경망 모델 내의 해당 레이어의 가중치로 각각 업데이트 적용하는 단계; 및
업데이트된 티쳐-스튜던트 네트워크에 대하여 새로운 레이다 데이터를 입력하여 반복 학습하는 단계를 포함하는 레이다 기반 탐지 방법.
도메인 적응을 이용한 레이다 기반 탐지 시스템에 있어서,
제1 환경에 해당한 원천 도메인에서 수집된 레이다 데이터 및 대응된 레이블(label)을 이용하여 CNN 구조의 제1 신경망 모델을 학습하는 제1 도메인 학습부;
상기 제1 신경망 모델 내의 각 컨볼루션 레이어에 적용된 각 배치 정규화 레이어의 통계적 인자와 가중치를 제2 환경의 학습을 위한 CNN 구조의 티쳐 신경망 모델 내의 해당 레이어로 전이(transfer)시키는 도메인 전이부;
제2 환경에 해당한 대상 도메인에서 수집된 레이다 데이터를 티쳐 신경망 모델과 스튜던트 신경망 모델에 각각 입력하여 도출되는 임시 레이블(psudo label)과 출력 레이블 간 오차를 이용하여 티쳐-스튜던트 네트워크를 학습하는 제2 도메인 학습부; 및
상기 대상 도메인에서 측정된 대상 레이다 데이터를 학습이 완료된 상기 스튜던트 신경망 모델에 입력하여 도출된 레이블을 탐지 결과로 제공하는 탐지부를 포함하는 레이다 기반 탐지 시스템.
청구항 8에 있어서,
상기 제1 신경망 모델은,
상기 원천 도메인에서 측정된 레이다 데이터를 분석하여 얻은 레이블 별 확률값 중 최대 확률값을 가진 레이블을 분류 결과로 출력하고,
상기 티쳐 신경망 모델 및 상기 스튜던트 신경망 모델은,
상기 대상 도메인에서 측정된 레이다 데이터를 분석하여 얻은 레이블 별 확률값 중 최대 확률값을 가진 레이블을 분류 결과로 출력하는 레이다 기반 탐지 시스템.
청구항 8에 있어서,
상기 원천 ㄷ제1 및 제2 도메인은 서로 다른 클러터 환경을 가진 공간이며,
각각의 신경망 모델은,
해당 도메인 내에 존재하는 인원수를 추정하는 모델인 레이다 기반 탐지 시스템.
청구항 8에 있어서,
각각의 신경망 모델에 입력되는 레이다 데이터는,
해당 환경에서 획득한 레이다 수신 신호를 기 설정된 방식으로 전처리한 데이터인 레이다 기반 탐지 시스템.
청구항 11에 있어서,
상기 전처리는,
해당 환경에서 사람이 미존재한 상태에서 측정된 참조 신호를 이용하여 레이다 수신 신호로부터 클러터를 제거하는 클러터 제거 처리,
클러터 제거된 레이다 수신 신호에 레이다 송신 신호를 합성곱 연산하는 정합 필터링 처리, 그리고
정합 필터링된 레이다 수신 신호를 0과 1 사이의 값으로 조정하는 정규화 처리를 포함하는 레이다 기반 탐지 시스템.
청구항 8에 있어서,
상기 제2 도메인 학습부는,
입력되는 레이다 데이터 중에서 상기 티쳐 신경망 모델에서 분석된 레이블 별 확률값 중 하나가 기준값 이상을 만족하는 조건의 신뢰도 있는 레이다 데이터만을 선별하여 상기 티쳐-스튜던트 네트워크를 학습하는 레이다 기반 탐지 시스템.
청구항 8에 있어서,
상기 제2 도메인 학습부는,
상기 오차를 역전파하여 상기 스튜던트 신경망 모델의 각 레이어에 대한 가중치를 업데이트한 다음,
상기 스튜던트 신경망 모델의 각 레이어 중 콘볼류션 레이어 및 풀리 커넥티드 레이어 각각의 업데이트된 가중치를 평균 필터(average filter)를 통해 조정하여, 조정된 가중치를 상기 티쳐 신경망 모델 내의 해당 레이어의 가중치로 각각 업데이트 적용하며,
업데이트된 티쳐-스튜던트 네트워크에 대하여 새로운 레이다 데이터를 입력하여 반복 학습하는 레이다 기반 탐지 시스템.