[논문]능동소나 스펙트로그램 이미지와 CNN을 사용한 표적/비표적 식별

김동욱; 석종원; 배건성

doi:10.7471/ikeee.2018.22.4.1044

초록
AI-Helper

CNN(Convolutional Neural Networks)은 동물의 시각정보처리과정을 모델링한 신경망으로 다양한 분야에서 좋은 성능을 보여주고 있다. 본 논문에서는 CNN을 사용하여 능동소나 신호의 스펙트로그램을 분석하고, 표적과 비표적을 식별하는 연구를 수행하였다. 데이터를 표적이 포함된 비율에 따라 8클래스로 구분하고, CNN의 학습에 사용하였다. 신호의 스펙트로그램을 프레임별로 나누어 입력으로 사용한 결과, 표적신호의 위치에서만 표적신호에 해당하는 7개 클래스의 식별 결과가 순차적으로 나타나는 특성을 사용하여 표적과 비표적을 식별해낼 수 있었다.

Abstract ▼ AI-Helper

CNN (Convolutional Neural Networks) is a neural network that models animal visual information processing. And it shows good performance in various fields. In this paper, we use CNN to classify target and non-target data by analyzing the spectrogram of active sonar signal. The data were divided into ...

CNN (Convolutional Neural Networks) is a neural network that models animal visual information processing. And it shows good performance in various fields. In this paper, we use CNN to classify target and non-target data by analyzing the spectrogram of active sonar signal. The data were divided into 8 classes according to the ratios containing the targets and used for learning CNN. The spectrogram of the signal is divided into frames and used as inputs. As a result, it was possible to classify the target and non-target using the characteristic that the classification results of the seven classes corresponding to the target signal sequentially appear only at the position of the target signal.

주제어

표/그림 (10)

그림 Fig. 1. Example of CNN architecture. 그림 1. CNN구조의 예
그림 Fig. 2. Spectrogram and gray image of active sonar signal. 그림 2. 능동소나 신호의 스펙트로그램과 이미지화 결과
그림 Fig. 3. Data generation using data augmentation. 그림 3. 데이터확장을 적용한 데이터 생성
그림 Fig. 4. Endpoint to define the ratio of inclusion of the target. 그림 4. 표적을 포함하는 비율을 정의하기 위한 끝점
그림 Fig. 5. CNN model using experiment. 그림 5. 실험에 사용된 CNN 모델
표 Table 1. Classes according to the ratio of the target. 표 1. 표적의 비율에 따른 클래스
그림 Fig. 6. Error rate depending on learning epochs. 그림 6. 학습 횟수에 따른 오류율
표 Table 2. Result of classification experiment. 표 2. 식별실험 결과
그림 Fig. 7. Classification results of spectrogram image. (a) Examples in which a small number of misclassified data are observed. (b) Examples in which many number of misclassified data are observed. 그림 7. 스펙트로그램이미지 식별 결과 (a) 소수의 오분류 데이터가 관측된 예 (b) 다수의 오분류 데이터가 관측된 예
표 Table 3. Colors for classification. 표 3. 클래스를 구분하기 위한 색

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

본 논문에서는 CNN을 사용하여 해상에서 수집된 능동소나 신호의 스펙트로그램 이미지를 분석하여 표적을 식별하는 연구를 수행하였다. 학습을 위해서는 충분한 데이터가 필요하나 소나 데이터의 수집은 신호 획득의 절차가 복잡하고 시간적 공간적 제약이 있어 제한적일 수밖에 없다.

제안 방법

CNN을 사용하여 능동소나 스펙트로그램 이미지를 분석하여 표적/비표적 식별을 수행하였다. 표적 신호를 포함하는 비율에 따라 7클래스의 표적데이터와, 1클래스의 비표적 데이터를 데이터 셋으로 구성하고 CNN을 학습시켰다.
능동소나 식별을 CNN에 적용하기 위해 표적신호를 이미지화하였다. 표적신호는 LFM(Linear Frequency Modulation)신호를 송신하여 획득한 4초길이의 능동소나신호이며, 그림2와 같이 신호의 스펙트로그램을 8비트 그레이 이미지로 변환하여 CNN의 입력으로 사용하였다.
능동소나 표적식별을 위하여 신호의 스펙트로그램을 이미지화하여 데이터 셋을 만들고 CNN을 학습시켰다. 학습된 CNN을 검증하기 위해 신호의 스펙트로그램을 프레임별로 나누어 입력으로 사용하고 결과를 분석하였다.
표적 신호를 포함하는 비율에 따라 7클래스의 표적데이터와, 1클래스의 비표적 데이터를 데이터 셋으로 구성하고 CNN을 학습시켰다. 테스트데이터에 해당하는 19개 능동소나 표적 신호에 대해 스펙트로그램 이미지를 생성하고 프레임별로 식별실험을 수행하였다. 그 결과 표적신호에 대해서는 7개의 표적 클래스가 순차적으로 나타났고, 비표적신호에 대해서는 오분류 결과가 분산된 형태로 나타나거나 순차적이지 않은 색 띠의 형태로 나타나 표적을 구분해낼 수 있었다.
능동소나 표적식별을 위하여 신호의 스펙트로그램을 이미지화하여 데이터 셋을 만들고 CNN을 학습시켰다. 학습된 CNN을 검증하기 위해 신호의 스펙트로그램을 프레임별로 나누어 입력으로 사용하고 결과를 분석하였다.

대상 데이터

실험에 사용된 데이터는 총 57개의 표적데이터이며 학습데이터, 비교데이터, 테스트데이터에 각 19개씩 사용되었다. 표적이미지의 일부를 잘라내어 데이터를 생성하는 방법으로 데이터 확장을 적용 하였고, 각 11100개, 11200개, 11100개의 학습데이터, 비교 데이터, 테스트 데이터 셋을 구성하였다.
표적신호는 LFM(Linear Frequency Modulation)신호를 송신하여 획득한 4초길이의 능동소나신호이며, 그림2와 같이 신호의 스펙트로그램을 8비트 그레이 이미지로 변환하여 CNN의 입력으로 사용하였다. 이미지는 5166x513의 크기이며, 그림 3과 같이 윈도우를 수평 및 수직방향으로 이동하여 이미지를 추출하는 데이터 확장기법을 사용하여 128x128크기의 이미지데이터를 생성하였다[10].
CNN을 사용하여 능동소나 스펙트로그램 이미지를 분석하여 표적/비표적 식별을 수행하였다. 표적 신호를 포함하는 비율에 따라 7클래스의 표적데이터와, 1클래스의 비표적 데이터를 데이터 셋으로 구성하고 CNN을 학습시켰다. 테스트데이터에 해당하는 19개 능동소나 표적 신호에 대해 스펙트로그램 이미지를 생성하고 프레임별로 식별실험을 수행하였다.
능동소나 식별을 CNN에 적용하기 위해 표적신호를 이미지화하였다. 표적신호는 LFM(Linear Frequency Modulation)신호를 송신하여 획득한 4초길이의 능동소나신호이며, 그림2와 같이 신호의 스펙트로그램을 8비트 그레이 이미지로 변환하여 CNN의 입력으로 사용하였다. 이미지는 5166x513의 크기이며, 그림 3과 같이 윈도우를 수평 및 수직방향으로 이동하여 이미지를 추출하는 데이터 확장기법을 사용하여 128x128크기의 이미지데이터를 생성하였다[10].
실험에 사용된 데이터는 총 57개의 표적데이터이며 학습데이터, 비교데이터, 테스트데이터에 각 19개씩 사용되었다. 표적이미지의 일부를 잘라내어 데이터를 생성하는 방법으로 데이터 확장을 적용 하였고, 각 11100개, 11200개, 11100개의 학습데이터, 비교 데이터, 테스트 데이터 셋을 구성하였다. 실험은 파이썬 3.

이론/모형

학습을 위해서는 충분한 데이터가 필요하나 소나 데이터의 수집은 신호 획득의 절차가 복잡하고 시간적 공간적 제약이 있어 제한적일 수밖에 없다. 이에 데이터 확장(data augmentation)기법을 적용하여 보유한 데이터의 양을 증가시켜 학습에 사용하였다[7]. 데이터 확장의 과정에서 획득한 데이터를 표적이 포함된 비율에 따라 8클래스로 구분하고 스펙트로그램 이미지를 분석한 결과 표적신호를 비표적 신호와 구분할 수 있었다.

성능/효과

테스트데이터에 해당하는 19개 능동소나 표적 신호에 대해 스펙트로그램 이미지를 생성하고 프레임별로 식별실험을 수행하였다. 그 결과 표적신호에 대해서는 7개의 표적 클래스가 순차적으로 나타났고, 비표적신호에 대해서는 오분류 결과가 분산된 형태로 나타나거나 순차적이지 않은 색 띠의 형태로 나타나 표적을 구분해낼 수 있었다. 다만 보유한 데이터가 한정적이므로 향후 더 많은 데이터를 확보한 후 추가 검증이 필요할 것이다.
이에 데이터 확장(data augmentation)기법을 적용하여 보유한 데이터의 양을 증가시켜 학습에 사용하였다[7]. 데이터 확장의 과정에서 획득한 데이터를 표적이 포함된 비율에 따라 8클래스로 구분하고 스펙트로그램 이미지를 분석한 결과 표적신호를 비표적 신호와 구분할 수 있었다.

후속연구

그 결과 표적신호에 대해서는 7개의 표적 클래스가 순차적으로 나타났고, 비표적신호에 대해서는 오분류 결과가 분산된 형태로 나타나거나 순차적이지 않은 색 띠의 형태로 나타나 표적을 구분해낼 수 있었다. 다만 보유한 데이터가 한정적이므로 향후 더 많은 데이터를 확보한 후 추가 검증이 필요할 것이다.

질의응답

핵심어	질문	논문에서 추출한 답변
	CNN은 어떻게 구분되는가?	그림 1은 CNN구조의 예를 보여준다. CNN은 크게 컨볼루션층과 풀링층, 플랫층으로 구분할 수 있다. 컨볼루션층은 세포에 전달되는 자극을 표현한 층이며, 입력 영상의 일부를 필터와 가중합하여 다음 층에 전달하는 역할을 한다.
	CNN의 특징은?	CNN은 동물의 시각 정보처리과정을 모델링한 신경망이다. 시각 정보가 입력되면 모든 신경세포에 자극이 전될 되는 것이 아니라 해당 수용영역의 세포에서 자극을 받아들이게 되는데 이를 신경망 구조로 표현하여 영상처리에 적합하게 설계된 신경망이다[6].
	딥러닝이란?	딥러닝은 높은 수준의 추상화를 통해 데이터를 표현하기 위해 다수의 비선형기법을 조합하여 구성된 신경망을 학습하는 알고리즘으로 최근 다양한 식별연구에서 좋은 성능을 보여주며 주목되고 있는 분야이다[4-5]. 딥러닝은 일반적으로 은닉층의 수가 2층 이상인 신경망을 학습하는 알고리즘을 뜻한다.

참고문헌 (12)

P. R. Runkle, P. K. Bharadwaj, L. Couchman, and L. Carin, "Hidden Markov models for multiaspect target classification," IEEE Transactions on Signal Processing, vol.47, no.7, pp.2035-2040, 1999. DOI:10.1109/78.771050

상세보기
M. R. Azimi-Sadjadi, D. Yao, Q. Huang, and G. J. Dobeck, "Underwater Target Classification Using Wavelet Packets and Neural Networks," IEEE Transactions on Neural Networks, vol.11, no.3, pp.784-794, 2000. DOI:10.1109/72.846748

상세보기
J. Seok and K. Bae, "Target Classification Using Features Based on Fractional Fourier Transform," IEICE Transactions on Information and Systems, vol.E97.D, no.9, pp.2518-2521, 2014. DOI:10.1587/transinf.2014EDL8003

상세보기
Y. LeCun, Y. Bengio, and G. Hinton, "Deep learning," Nature 521.7553, pp.436-444, 2015.
J. Schmidhuber. "Deep learning in neural networks: An overview," Neural networks, Vol.61, pp.85-117, 2015. DOI:10.1016/j.neunet.2014.09.003

상세보기
Y. LeCun, L. Bottou, Y. Bengio, and P. Haffner, "Gradient-based learning applied to document recognition," Proceedings of the IEEE, vol.86, vol.11, pp.2278-2324, 1998. DOI:10.1109/5.726791

상세보기
A. Krizhevsky, l. Sutskever, and GE. Hiton, "Imagenet classification with deep convolutional neural networks," Advances in neural information processing systems, pp.1097-1105, 2012.
R. C. Gonzalez, and R. E. Woods, Digital image processing, 4th ed. Upper Saddle River, NJ: Prentice Hall, 2010.
F. Li, and A. Karpathy, "Convolutional neural networks," http://cs231n.github.io/convolutional-networks/
D. Kim, J. Seok and K. Bae, "Active Sonar Target/Non-target Classification using Convolutional Neural Networks," Journal of Korea Multimedia Society, Vol.21, No.9, pp.1062-1067, 2018. DOI:10.6109/jkiice.2017.21.10.1909
V. Nair and G. E. Hinton, "Rectified Linear Units Improve Restricted Boltzmann Machines," Proceedings of the 27th International Conference on Machine Learning, pp.807-814, 2010.
N. Srivastava, G. Hinton, and A. Krizhevsky, "Dropout: A Simple Way to Prevent Neural Networks from Overfitting," The Journal of Machine Learning Research, vol.15, no.1, pp.1929-1958, 2014.

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증

능동소나 스펙트로그램 이미지와 CNN을 사용한 표적/비표적 식별
Target/non-target classification using active sonar spectrogram image and CNN 원문보기

초록
AI-Helper

Abstract ▼ AI-Helper

주제어

표/그림 (10)

표/그림 (10)

AI 본문요약
AI-Helper

문제 정의

제안 방법

대상 데이터

이론/모형

성능/효과

후속연구

질의응답

참고문헌 (12)

이 논문을 인용한 문헌

저자의 다른 논문 :

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

능동소나 스펙트로그램 이미지와 CNN을 사용한 표적/비표적 식별 Target/non-target classification using active sonar spectrogram image and CNN 원문보기

초록 용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

Abstract ▼ AI-Helper

주제어

표/그림 (10) 모든 표/그림 보기

표/그림 (10) 슬라이드로 보기

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

제안 방법

대상 데이터

이론/모형

성능/효과

후속연구

질의응답

참고문헌 (12)

이 논문을 인용한 문헌

저자의 다른 논문 :

김동욱 (18) 석종원 (28) 배건성 (82)

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

능동소나 스펙트로그램 이미지와 CNN을 사용한 표적/비표적 식별
Target/non-target classification using active sonar spectrogram image and CNN 원문보기

초록
AI-Helper

표/그림 (10)

표/그림 (10)

AI 본문요약
AI-Helper