$\require{mediawiki-texvc}$

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.

딥러닝을 이용한 DEMON 그램 주파수선 추출 기법 연구
A study on DEMONgram frequency line extraction method using deep learning 원문보기

한국음향학회지= The journal of the acoustical society of Korea, v.43 no.1, 2024년, pp.78 - 88  

신원식 (한양대학교 ERICA 지능정보융합공학과) ,  권혁종 (국방기술진흥연구소) ,  설호석 (한양대학교 ERICA 해양융합과학과) ,  신원 (한양대학교 ERICA 전자공학과) ,  고현석 (한양대학교 ERICA 지능정보융합공학과) ,  송택렬 (한양대학교 ERICA 전자공학부) ,  김다솔 (LIG넥스원(주)) ,  최강훈 (LIG넥스원(주)) ,  최지웅 (한양대학교 ERICA 지능정보융합공학과)

초록
AI-Helper 아이콘AI-Helper

수중 소음 측정이 가능한 수동 소나에 수신된 선박 방사소음은 Detection of Envelope Modulation on Noise(DEMON) 분석으로 얻은 선박 정보를 사용하여 선박 식별과 분류가 가능하다. 하지만 낮은 신호대잡음비(Signal-to-Noise Ratio, SNR) 환경에서는 DEMON 그램 내 선박 정보가 담겨있는 표적 주파수선을 분석 및 파악하는데 어려움이 발생한다. 본 논문에서는 낮은 SNR 환경에서 보다 정확한 표적 식별을 위해 딥러닝 기법 중 의미론적 분할을 사용하여 표적 주파수선들을 추출하는 연구를 수행하였다. SNR과 기본 주파수를 변경시키며 생성한 모의 DEMON 그램 데이터를 사용하여 의미론적 분할 모델인 U-Net, UNet++, DeepLabv3+를 학습 후 평가하였고, 학습된 모델들을 이용하여 캐나다 조지아 해협에서 측정한 선박 방사소음 데이터셋인 DeepShip으로 제작한 DEMON 그램 예측 성능을 비교하였다. 모의 DEMON 그램으로 학습된 모델을 평가한 결과 U-Net이 성능이 가장 높았으며, DeepShip으로 만든 DEMON 그램의 표적 주파수선을 어느 정도 추출할 수 있는 것을 확인하였다.

Abstract ▼ AI-Helper 아이콘AI-Helper

Ship-radiated noise received by passive sonar that can measure underwater noise can be identified and classified ship using Detection of Envelope Modulation on Noise (DEMON) analysis. However, in a low Signal-to-Noise Ratio (SNR) environment, it is difficult to analyze and identify the target freque...

주제어

#딥러닝   #의미론적 분할   #DEMON 그램   #주파수선 추출  

표/그림 (11)

참고문헌 (16)

  1. R. J. Urick, Principles of Underwater Sound, 3rd Edition？(McGraw-Hill, New York, 1983), pp. 332-345. 

  2. R. O. Nielsen, Sonar Signal Processing (Artech House,？Norwood, 1991), pp. 95, 173-175. 

  3. A. Kummert, "Fuzzy technology implemented in sonar？systems," IEEE J. Ocean. Eng. 18, 483-490 (1993). 

  4. J. S. Kim, S. B. Hwang, and C. M. Lee, "A DEMON？processing robust to interference of tonals" (in？Korean), J. Acoust. Soc. Kr. 31, 384-390 (2012). 

  5. M. J. Cheong, S. B. Hwang, S. W. Lee, and J. S. Kim,？"Multiband enhancement for DEMON processing？algorithms" (in Korean), J. Acoust. Soc. Kr. 32, 138-146 (2013). 

  6. S. Minaee, Y. Boykov, F. Porikli, A. Plaza, N. Kehtarnavaz,？and D. Terzopoulos, "Image segmentation using deep？learning: a survey," IEEE Trans. Pattern Anal. Mach.？Intell. 44, 3523-3542 

  7. F. Lateef and Y. Ruichek, "Survey on semantic segmentation using deep learning techniques," Neurocomputing, 338, 321-348 (2019). 

    상세보기

  8. W. Shin, H. Sul, J. W. Choi, T.-L. Song, D.-S. Kim,？and H. Ko, "DeepNetwork-based segmentation model？for low detectable underwater target tracking" (in？Korean), J. Inst. Electron. Info. Eng. 60, 27-36 (2023). 

  9. C. Jin, M. Kim, S. Jang, and D.-G. Paeng, "Semantic？segmentation-based whistle extraction of Indo-Pacific？Bottlenose Dolphin residing at the coast of Jeju island,"？Ecological Indicators, 137, 108792 (2022). 

    상세보기

  10. R. O. Nielsen, "Cramer-Rao lower bounds for sonar？broad-band modulation parameters," IEEE J. Ocean.？Eng. 24, 285-290 (1999). 

  11. M. F. McKenna, D. Ross, S. M. Wiggins, and J. A.？Hildebrand, "Underwater radiated noise from modern？commercial ships," J. Acoust. Soc. Am. 131, 92-103？(2012). 

    상세보기

  12. O. Ronneberger, P. Fischer, and T. Brox, "U-Net: convolutional networks for biomedical image segmentation," Proc. MICCAI, 234-241 (2015). 

  13. Z. Zhou, M. M. R. Siddiquee, N. Tajbakhsh, and J.？Liang, "UNet++: a nested u-net architecture for medical？image segmentation," Proc. DLMIA, 3-11 (2018). 

  14. L.-C. Chen, Y. Zhu, G. Papandreou, F. Schroff, and H.？Adam, "Encoder-decoder with atrous separable convolution for semantic image segmentation," Proc.？ECCV, 801-818 (2018). 

  15. F. Chollet, "Xception: deep learning with depthwise？separable convolutions," Proc. CVPR, 1251-1258 (2017). 

  16. M. Irfan, Z. Jiangbin, S. Ali, M. Iqbal, Z. Masood, and？U. Hamid, "DeepShip: an underwater acoustic benchmark dataset and a separable convolution based autoencoder for classification," Expert Syst. Appl. 183,？115270 (2021).？ 

    상세보기

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