지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학술저널
- 저자정보
- 발행연도
- 2017.6
- 수록면
- 31 - 39 (9page)
이용수
이 논문의 연구 히스토리 (3)
- 이 논문의 후속연구가 궁금하신가요?
- 연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
- 이 논문의 연구 히스토리 확인하기
초록· 키워드
오류제보하기
다양한 컴퓨터 비전 문제들에서 딥러닝을 활용한 알고리즘들이 괄목할만한 성능을 보여주었고, 이에 따라서Synthetic Aperture Radar (SAR) 영상 목표물 인식을 위해 딥러닝 기법을 활용하는 연구들이 진행되어 왔다[1]-[5]. 본고에서는 딥러닝을 이용한 SAR영상 목표물 인식을 위한 연구 동향에 대해 조사하였다.
SAR(합성개구레이다)레이다는 짧은 파장의 Chirp 신호 같은 펄스 전자파를 대상 지역(영역)에 보내고 그 지역의 구조물 특성에 의해 결정되는 반사파를 레이다 안테나로 다시 수신하여 돌아오는 시간과 강도를 측정하여 영상을 구성하는 레이다 시스템이다. SAR 시스템은 날씨와 시간 조건에 상관없이 2차원 영상을 획득하는 것이 가능하기 때문에 주로 감시정찰 분야에 많이 활용되어 왔다.
자연영상의 경우와 달리 SAR영상은 획득과정이 매우 어렵고 시간과 비용이 많이 소요된다. 따라서, 획득된 데이터는 우리가 일반적으로 구할 수 있는 자연영상과는 비교 할 수 없을 정도로 양이 제한되어 있다. 특정 지역 및 목표물 등에 대한 SAR 데이터는 기밀사항으로 분류되어 접근이 제한되어 있는 경우가 많다.
최근 영상 인식 분야에서 괄목할 만한 성능 향상을 보인 딥러닝 기반 콘볼루션 뉴럴 네트워크(CNN: Convolution Neural Network)를 SAR 영상 분류 응용에 활용하는 연구가 활발히 진행되고 있다[1]-[5]. 기본적으로 많은 필터를 사용하여 특징 추출 및 특징 매핑, 특징 분류를 하나의 통합된 시스템에서 학습과정을 필터 파라미터 및 네트워크 연결 파라미터를 구하는 과정은 많은 훈련 데이터가 필요하다. 그러나 SAR 영상의 경우 전술한 바와 같이 영상 획득과정에 많은 비용과 시간이 소요되기 때문에 충분한 학습데이터를 확보하는 것이 매우 어렵고, 제한적인 데이터를 활용하여 CNN 기반 SAR 영상 인식 시스템을 학습하는 것은 과적합(over-fitting) 문제를 야기시킨다. SAR 영상 목표물 인식을 위하여 과적합문제를 해결하면서 딥러닝을 활용하는 알고리즘들이 연구되었다.
Chen은 auto-encoder를 활용하여 효율적으로 특징을 추출함으로써 SAR영상 목표물 인식 네트워크의 과적합문제를 해결하고자 하였다[1]. Li는 layer-by-layer 비지도 학습을 통하여 과적합문제를 완화하면서 깊은 네트워크를 학습시켰다[2]. Dong의 경우는 SAR영상을 위한 데이터 증대(data augmentation) 알고리즘을 고안하였고, 새로 생성된 많은 수의 학습데이터를 이용하여 깊은 네트워크를 학습시켜 높은 인식 성능을 보여주었다[3]. Chen은 CNN의 대부분의 학습 파라미터가 완전 연결층(fully connected (FC) layer)에서 발생한다는 점에 착안하여, 모든 계층이 콘볼루션(convolution) 계층인 A-Convnet을 고안하였다[4]. A-Convnet은 적은 수의 파라미터로 효율적인 특징 추출이 가능하여 높은 인식률을 보여주었다. 또한, Youm의 경우에는 통합된 하나의 네트워크가 다양한 편광(polarization) 타입의 SAR영상을 인식하게 학습할 수 있는 input scaling 알고리즘을 고안하였다[5]. Input scaling은 특징맵의 크기를 polarization 수에 변화에 강인하게 만들었으며, 이는 안정적인 네트워크 학습을 가능하게 하고, polarization간의 상관관계를 활용하게 하여 높은 인식률을 가지는 네트워크 학습을 가능하게 하였다.
SAR(합성개구레이다)레이다는 짧은 파장의 Chirp 신호 같은 펄스 전자파를 대상 지역(영역)에 보내고 그 지역의 구조물 특성에 의해 결정되는 반사파를 레이다 안테나로 다시 수신하여 돌아오는 시간과 강도를 측정하여 영상을 구성하는 레이다 시스템이다. SAR 시스템은 날씨와 시간 조건에 상관없이 2차원 영상을 획득하는 것이 가능하기 때문에 주로 감시정찰 분야에 많이 활용되어 왔다.
자연영상의 경우와 달리 SAR영상은 획득과정이 매우 어렵고 시간과 비용이 많이 소요된다. 따라서, 획득된 데이터는 우리가 일반적으로 구할 수 있는 자연영상과는 비교 할 수 없을 정도로 양이 제한되어 있다. 특정 지역 및 목표물 등에 대한 SAR 데이터는 기밀사항으로 분류되어 접근이 제한되어 있는 경우가 많다.
최근 영상 인식 분야에서 괄목할 만한 성능 향상을 보인 딥러닝 기반 콘볼루션 뉴럴 네트워크(CNN: Convolution Neural Network)를 SAR 영상 분류 응용에 활용하는 연구가 활발히 진행되고 있다[1]-[5]. 기본적으로 많은 필터를 사용하여 특징 추출 및 특징 매핑, 특징 분류를 하나의 통합된 시스템에서 학습과정을 필터 파라미터 및 네트워크 연결 파라미터를 구하는 과정은 많은 훈련 데이터가 필요하다. 그러나 SAR 영상의 경우 전술한 바와 같이 영상 획득과정에 많은 비용과 시간이 소요되기 때문에 충분한 학습데이터를 확보하는 것이 매우 어렵고, 제한적인 데이터를 활용하여 CNN 기반 SAR 영상 인식 시스템을 학습하는 것은 과적합(over-fitting) 문제를 야기시킨다. SAR 영상 목표물 인식을 위하여 과적합문제를 해결하면서 딥러닝을 활용하는 알고리즘들이 연구되었다.
Chen은 auto-encoder를 활용하여 효율적으로 특징을 추출함으로써 SAR영상 목표물 인식 네트워크의 과적합문제를 해결하고자 하였다[1]. Li는 layer-by-layer 비지도 학습을 통하여 과적합문제를 완화하면서 깊은 네트워크를 학습시켰다[2]. Dong의 경우는 SAR영상을 위한 데이터 증대(data augmentation) 알고리즘을 고안하였고, 새로 생성된 많은 수의 학습데이터를 이용하여 깊은 네트워크를 학습시켜 높은 인식 성능을 보여주었다[3]. Chen은 CNN의 대부분의 학습 파라미터가 완전 연결층(fully connected (FC) layer)에서 발생한다는 점에 착안하여, 모든 계층이 콘볼루션(convolution) 계층인 A-Convnet을 고안하였다[4]. A-Convnet은 적은 수의 파라미터로 효율적인 특징 추출이 가능하여 높은 인식률을 보여주었다. 또한, Youm의 경우에는 통합된 하나의 네트워크가 다양한 편광(polarization) 타입의 SAR영상을 인식하게 학습할 수 있는 input scaling 알고리즘을 고안하였다[5]. Input scaling은 특징맵의 크기를 polarization 수에 변화에 강인하게 만들었으며, 이는 안정적인 네트워크 학습을 가능하게 하고, polarization간의 상관관계를 활용하게 하여 높은 인식률을 가지는 네트워크 학습을 가능하게 하였다.
목차
요약
Ⅰ. 서론
Ⅱ. 본론
Ⅲ. 결론
참고문헌
참고문헌 (17)
참고문헌 신청
S. Chen and H. Wang, “SAR Target Recognition Based on Deep learning, “IEEE Int. Conf. Data Science and Advanced Analytics,” pp. 541 ? 547, 2014.
X. Li, C. Li, P. Wang, Z. Men and H. Xu, “SAR ATR based on dividing CNN into CAE and SNN,” IEEE int. conf. Asia-Pacific Synthetic Aperture Radar, pp. 676 ? 679, 2015.
J . D i n g , B . C h e n , H . L i u a n d M . H u a n g , “ C o n v o l u t i o n a l N e u r a l N e t w o r k w i t h D a t a Augmentation for SAR Target Recognition,” IEEE Geosci. Remote Sens. Lett., Vol. 13, pp. 364-368, Mar, 2016.
S. Chen and H. Wang, F.Xu, Y. Q. Jin “Target Classification Using the Deep Convolutional Networks for SAR Images,”IEEE Trs. Geosci. and Remote Sens., pp. 4806 - 4817, Aug, 2016.
염광영, 김문철, “다중 편광 SAR 영상 목표물 인식을 위한 딥 컨볼루션 뉴럴 네트워크”, 한국방송·미디어공학회 하 계학술대회, pp. 102-104, 제주한라대학교 금호국제교육 관, 2017년 6월 21일-23일.
함께 읽어보면 좋을 논문
논문 유사도에 따라 DBpia 가 추천하는 논문입니다. 함께 보면 좋을 연관 논문을 확인해보세요!
-
다중 편광 SAR 영상 목표물 인식을 위한 딥 컨볼루션 뉴럴 네트워크
한국방송미디어공학회 학술발표대회 논문집
2017 .06
-
복소수 CycleGAN 기반의 이미지 변환을 이용한 시뮬레이션 SAR 표적 식별
한국정보기술학회논문지
2022 .07
-
소규모 SAR 데이터셋에 효과적인 딥러닝 표적 식별 모델 탐구
한국정보기술학회논문지
2025 .03
-
딥러닝을 활용한 위성 SAR 영상 Colorization
대한공간정보학회 학술대회
2021 .06
-
영상인식을 위한 화질의 데이터 분류성
한국컴퓨터정보학회 학술발표논문집
2021 .01
-
항공탑재 SAR 시스템 및 영상형성 연구
한국전자통신학회 논문지
2023 .06
-
SAR 영상 목표물 포즈 각도 추정을 위한 딥 콘볼루션 뉴럴 네트워크
한국방송미디어공학회 학술발표대회 논문집
2017 .06
-
최근 영상레이더(SAR) 활용 및 기술 동향
항공우주산업기술동향
2018 .07
-
3D 가상 모델을 통한 SAR-광학 영상 변환 및 표적 인식
한국항공우주학회 학술발표회 초록집
2023 .04
-
위성 SAR 영상에서 딥러닝을 이용한 선박 검출 연구
한국통신학회 학술대회논문집
2020 .11
-
SAR 영상과 딥러닝 알고리즘을 활용한 선박 검출 정확도 분석
한국통신학회 학술대회논문집
2020 .11
-
SAR 영상을 이용한 소규모 수역 추출 기법 비교 분석
대한공간정보학회 학술대회
2017 .05
-
두리샛 SAR탑재체 개발 및 궤도운용을 통한 임무 영상
한국항공우주학회 학술발표회 초록집
2024 .06
-
GPU를 이용한 SAR 영상의 전처리 가속화
한국항공우주학회 학술발표회 초록집
2015 .11
-
딥러닝 기반 SAR 영상 변화 탐지 기술 동향
항공우주산업기술동향
2019 .07
-
다목적 위성 5호 고해상도 SAR 영상의 활용 방안 연구
한국위성정보통신학회논문지
2017 .03
-
SAR 영상 데이터의 밝기 값 정보 분석 방법
한국항공우주학회 학술발표회 초록집
2021 .11
-
드론을 활용한 초소형 SAR 영상 구현 및 품질 보상 분석
한국전자파학회논문지
2016 .09
-
단일 주파수 정현파 기반 SAR 재밍 기법에 관한 연구
한국전자파학회논문지
2023 .11
-
SAR-ATI를 이용한 효율적인 지상 이동 표적 보상 알고리즘
한국전자파학회논문지
2017 .07
이 논문의 저자 정보
이 논문과 함께 이용한 논문
딥러닝을 이용한 객체분류 및 검출 기술
고성제
,
김영현
전자공학회지
2017
.11
임베디드 GPU 시스템을 활용한 차량 번호판 인식
이상협
,
손금영
,
박장식
외 1명
제어로봇시스템학회 국내학술대회 논문집
2017
.05
딥러닝 기반 얼굴 인식을 이용한 동영상 식별
서용석
,
임동혁
,
유원영
한국통신학회 학술대회논문집
2017
.01
Repeated Cropping based on Deep Learning for Photo Re-composition
홍은빈
,
전준호
,
이승용
Journal of KIISE
2016
.12
시각장애인을 위한 딥러닝기반 심볼인식
박상헌
,
전태재
,
김상혁
외 2명
한국정보전자통신기술학회 논문지
2016
.06
최근 본 자료
댓글(0)
0
UCI(KEPA) : I410-ECN-0101-2018-567-001053495