$\require{mediawiki-texvc}$

연합인증

연합인증 가입 기관의 연구자들은 소속기관의 인증정보(ID와 암호)를 이용해 다른 대학, 연구기관, 서비스 공급자의 다양한 온라인 자원과 연구 데이터를 이용할 수 있습니다.

이는 여행자가 자국에서 발행 받은 여권으로 세계 각국을 자유롭게 여행할 수 있는 것과 같습니다.

연합인증으로 이용이 가능한 서비스는 NTIS, DataON, Edison, Kafe, Webinar 등이 있습니다.

한번의 인증절차만으로 연합인증 가입 서비스에 추가 로그인 없이 이용이 가능합니다.

다만, 연합인증을 위해서는 최초 1회만 인증 절차가 필요합니다. (회원이 아닐 경우 회원 가입이 필요합니다.)

연합인증 절차는 다음과 같습니다.

최초이용시에는
ScienceON에 로그인 → 연합인증 서비스 접속 → 로그인 (본인 확인 또는 회원가입) → 서비스 이용

그 이후에는
ScienceON 로그인 → 연합인증 서비스 접속 → 서비스 이용

연합인증을 활용하시면 KISTI가 제공하는 다양한 서비스를 편리하게 이용하실 수 있습니다.

MFCC와 CNN을 이용한 저고도 초소형 무인기 탐지 및 분류에 대한 연구
Detection and Classification for Low-altitude Micro Drone with MFCC and CNN 원문보기

한국정보통신학회논문지 = Journal of the Korea Institute of Information and Communication Engineering, v.24 no.3, 2020년, pp.364 - 370  

신경식 (Department of Electronics and Communication Engineering, Kwangwoon University) ,  유신우 (Department of Electronics and Communication Engineering, Kwangwoon University) ,  오혁준 (Department of Electronics and Communication Engineering, Kwangwoon University)

초록
AI-Helper 아이콘AI-Helper

본 논문은 저고도로 비행하는 초소형 무인기에 대한 탐지 및 분류에 대한 기술로써, 단순히 초소형 무인기를 탐지만 하는 것이 아니라 탐지된 무인기의 종류 및 모델까지 인식하는 심화학습 기반 탐지 및 분류 기법을 제안한다. 무인기의 소리 특성으로 MFCC를 사용하였고 탐지 및 분류를 위해 CNN를 사용하였다. 무인기들은 각각 CNN을 통해 구분할 수 있는 MFCC 특성을 가짐을 입증하였고, 또한 총 4가지의 무인기에 대한 dataset을 대상으로 분류를 한 결과 time-related sequence를 가지는 MFCC라 하더라도 RNN 대신 CNN를 사용하면 탐지 및 분류 능력을 갖추면서도 연산량을 줄일 수 있음을 검증하였다. 따라서 본 논문은 간단하면서도 효과적인 초소형 무인기 탐지 및 분류 방법을 제시한다.

Abstract ▼ AI-Helper 아이콘AI-Helper

This paper is related to detection and classification for micro-sized aircraft that flies at low-altitude. The deep-learning based method using sounds coming from the micro-sized aircraft is proposed to detect and identify them efficiently. We use MFCC as sound features and CNN as a detector and cla...

주제어

#초소형 무인기 탐지   #초소형 무인기 분류   #물체 분류를 위한 딥러닝  

표/그림 (11)

AI 본문요약
AI-Helper 아이콘 AI-Helper

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

문제 정의

  • 초소형 무인기의 소리는 시간과 관련된 정보이므로 Recurrent Neural Network (이하 RNN)가 적합할 수 있지만 샘플의 길이가 충분할 경우 시간정보를 CNN에서 충분히 처리할 수 있다고 가정하여 CNN을 이용해 초소형 무인기를 탐지 및 분류한다. 따라서 본 논문은 간단하면서도 효과적인 초소형 무인기 탐지 및 분류 방법을 제시한다.
  • 그리고 영상을 이용하였을 경우 전방위의 드론을 항상 감지하는 것이 어렵고 고해상도 안에 실제 드론 이미지가 차지하는 부분이 적으므로 실제 우리한테 주어지는 가용 이미지의 크기는 작다는 단점이 있다. 이 연구에서는 이런 단점을 극복하고자 초소형 무인기의 소리를 이용한 초소형 무인기의 탐지 가능 여부를 검증한다.

가설 설정

  • 기존에는 음성신호처리, 영상신호처리 기법의 혼용인 audio-assisted camera array를 이용한 방법을 통해 감지를 하였지만 개발유지 비용이 크다는 단점을 지니고 있었다. 이번 논문에서는 드론을 탐지하기 위해 드론만이 가지는 특정한 주파수 패턴이 있다고 가정하고 MFCC(Mel-Frequency Cepstral Coefficient)를 초 소형무인기의 특징으로 추출한다. 또한 정해진 시간 동안의 드론 소리를 이용하여 MFCC를 추출하면 2X2 행렬이 되기 때문에 이를 이미지처럼 생각하여 Convolutional Neural Network(이하 CNN)에 입력해 드론에 대한 탐지 및 분류하는 방법을 제시한다.
  • 또한 정해진 시간 동안의 드론 소리를 이용하여 MFCC를 추출하면 2X2 행렬이 되기 때문에 이를 이미지처럼 생각하여 Convolutional Neural Network(이하 CNN)에 입력해 드론에 대한 탐지 및 분류하는 방법을 제시한다. 초소형 무인기의 소리는 시간과 관련된 정보이므로 Recurrent Neural Network (이하 RNN)가 적합할 수 있지만 샘플의 길이가 충분할 경우 시간정보를 CNN에서 충분히 처리할 수 있다고 가정하여 CNN을 이용해 초소형 무인기를 탐지 및 분류한다. 따라서 본 논문은 간단하면서도 효과적인 초소형 무인기 탐지 및 분류 방법을 제시한다.
본문요약 정보가 도움이 되었나요?

참고문헌 (8)

  1. A. V. Oppenheim, and R. W. Schafer, "From frequency to quefrency: A history of the cepstrum," IEEE signal processing Magazine 21.5 (2004): 95-106. 

    상세보기 crossref

  2. S. Umesh, L. Cohen, and D. Nelson, "Fitting the mel scale," 1999 IEEE International Conference on Acoustics, Speech, and Signal Processing. Proceedings. ICASSP99 (Cat. no. 99CH36258). vol. 1, IEEE, 1999. 

  3. B. Logan, "Mel Frequency Cepstral Coefficients for Music Modeling," ISMIR. vol. 270, 2000. 

  4. L. Muda, M. Begam, and I. Elamvazuthi, "Voice recognition algorithms using mel frequency cepstral coefficient (MFCC) and dynamic time warping (DTW) techniques," arXiv preprint arXiv:1003.4083 (2010). 

  5. J. S. Chung, A. Senior, O. Vinyals, and A. Zisserman, "Lip reading sentences in the wild," 2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). IEEE, 2017. 

  6. S. Jeon, J. W. Shin, Y. J. Lee, W. H. Kim, W. H. Kim, Y. Kwon, and H. Y. Yang, "Empirical study of drone sound detection in real-life environment with deep neural networks," 2017 25th European Signal Processing Conference (EUSIPCO). IEEE, 2017. 

  7. C. Aker, and S. Kalkan, "Using deep networks for drone detection," 2017 14th IEEE International Conference on Advanced Video and Signal Based Surveillance (AVSS). IEEE, 2017. 

  8. M. Saqib, S. D. Khan, N. Sharma, and M. Blumenstein, "A study on detecting drones using deep convolutional neural networks," 2017 14th IEEE International Conference on Advanced Video and Signal Based Surveillance (AVSS). IEEE, 2017. 

저자의 다른 논문 :

관련 콘텐츠

오픈액세스(OA) 유형

GOLD

오픈액세스 학술지에 출판된 논문

저작권 관리 안내
섹션별 컨텐츠 바로가기

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

AI-Helper 아이콘
AI-Helper
안녕하세요, AI-Helper입니다. 좌측 "선택된 텍스트"에서 텍스트를 선택하여 요약, 번역, 용어설명을 실행하세요.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.

선택된 텍스트

맨위로