선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 이러한 문제점들을 해결하기 위해 초분광 정보의 차원을 효과적으로 줄이면서 유용한 정보를 추출해 내는 기법을 초분광 특징 추출 기법이라고 하며, 여기에는 크게 초분광 데이터 내 일부 분광 밴드를 선택하는 밴드 선택 기법과, 초분광 데이터를 변환하는 함수를 이용한 특징 변환 기법이 있다. 본 연구는 초분광 데이터가 가지는 물리적 특성을 그대로 보존하며 앞서 언급한 문제점을 보완할 수 있는 밴드 선택 기법을 다루고 있다.
- 본 연구는 초분광 데이터로부터 특정 표적의 탐지에 유용한 밴드를 선택하기 위해, 각 밴드가 표적 탐지에 미치는 중요도를 추정하여 값이 큰 순서대로 밴드를 선택하는 방식을 사용하였다. 각 분광 밴드의 중요도를 추정하기 위해 기계 학습 분야에서 많이 연구된 특징 선택(feature selection) 기법을 적용하였다.
- 이는 ACE 기법이 앞서 언급한 초분광 스펙트럼의 진폭 변동 특성 문제를 잘 처리한다는 것인데, ACE가 식 (2)와 같이 초분광 벡터의 크기에 상관 없이 공간상의 각도만을 비교하기 때문에 비슷한 굴곡을 가지며 스케일만 다른 데이터들을 하나의 물체로 분류해 낼 수 있기 때문이다. 본 연구에서는 이 같은 선행 연구를 토대로, ACE 탐지 기법을 기반으로 밴드 선택 알고리즘을 개발하고 성능 분석을 수행하였다.
- 본 연구에서는 초분광 밴드 선택 기법의 성능 분석을 위해 초분광 영상을 직접 계측하였다. 촬영에 사용된 장비는 Specim사의 AisaFENIX로 380 nm~2500 nm 대역의 초분광 영상을 약 5 nm 간격으로 448개의 초분광 밴드를 가지도록 계측하였으며, 본 기기를 항공기에 탑재 후 약 1 km 상공에서 임실과 창원 두 지역에 배치된 표적 일대를 촬영하여 초분광 데이터를 획득하였다.
가설 설정
- 즉, 오경보 값이 클수록 성능이 좋지 않으며, 임계값과 배경의 최대값의 차이인 TBD가 클수록 표적과 배경을 더 잘 분리하여 오경보가 발생할 확률이 낮다고 가정하고, 이를 이용하여 탐지 성능 분석을 수행하였다. 오경보 외에 TBD를 추가적인 성능 측정 지표로 정의한 이유는 실험에 쓰인 임실 및 창원 데이터셋 내 표적이 오경보 없이 잘 탐지되는 경우에, 밴드 선택을 하여도 오경보 수가 0으로 변화가 없는 상황에서 좀 더 세밀한 성능 변화를 분석하기 위함이다.
- 초분광 표적 탐지를 위한 다양한 기법들이 존재하는데, 그 중 성능이 안정적이어서 가장 널리 사용되는 두 기법은 matched filter와 Adaptive Cosine Estimator(ACE)이다. 특히, 표적의 분광 스펙트럼이 하나밖에 존재하지 않아 표적의 subspace를 구성할 수 없는 상황에서도 유용한 탐지 기법들이며, 본 연구에서는 이렇게 표적의 분광 스펙트럼이 하나인 제한적인 상황에서의 밴드 선택 및 표적 탐지를 가정하였다. Matched filter는 표적의 분광 스펙트럼과 탐지하고자 하는 픽셀의 분광 스펙트럼 간의 Mahalonobis distance를 이용해 정의된다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.