연구 질문
학습에 없던 파형이 입력되었을 때, known waveform은 정확히 분류하면서 unknown waveform을 기존 class로 오분류하지 않고 거부할 수 있는가?
이 질문을 binary unknown detection에서 시작해 known-class recognition + unknown rejection 문제로 확장했습니다. 첫 번째 연구는 reconstruction discrepancy로 미확인 파형을 탐지하고, 두 번째 연구는 파형의 구조와 스펙트럼 의미를 표현 공간에 반영합니다.
연구 발전 과정
Study 1 · Reconstruction-Based Unknown Detection
처리 흐름
핵심 방법
- DSAE: clean reference 없이 noisy input만으로 저 SNR 레이다 파형의 구조적 특징을 보존하면서 noise를 억제합니다.
- MAAE: known waveform pattern을 memory로 학습하고 known / unknown 간 reconstruction discrepancy를 이용해 미확인 파형을 탐지합니다.
- reconstruction discrepancy를 연속적인 score로 사용해 운영 환경의 false-alarm과 missed-detection trade-off를 조정합니다.
DSAE–MAAE framework PDF · Denoising comparison · AUC result
대표 결과
- 5-waveform: SNR ≥ −12 dB에서 AUC > 0.77
- 9-waveform: SNR ≥ −10 dB에서 AUC > 0.78
다음 연구가 필요했던 이유
Reconstruction-based detection은 known waveform pattern에서 벗어난 입력을 탐지하는 데 효과적입니다.
그러나 unknown waveform이 known class와 유사한 frequency sweep, hopping pattern, time-frequency structure를 공유하는 경우 reconstruction discrepancy만으로는 충분히 분리하기 어렵습니다.
이를 해결하기 위해 semantic representation 기반 Open-Set Recognition으로 연구를 확장했습니다.
Study 2 · Semantic Open-Set Radar Waveform Recognition
SAVOR 처리 흐름
단순 class label 대신 레이다 시간–주파수 영상의 구조적 패턴과 스펙트럼 특성을 semantic attribute로 표현합니다.
- Stage 1 · Known-class semantic alignment: known waveform의 image-text alignment를 학습합니다.
- Stage 2 · Unknown-aware representation: TDU(Text-Driven Unknown Modeling)와 IVU(Image-Space Virtual Unknown Modeling)를 이용해 unknown-aware representation을 구성합니다.
SAVOR framework PDF · Unknown-aware learning · Channel AUC-OSCR
대표 결과
목표는 단순히 더 많이 거부하는 것이 아니라, known-class recognition과 unknown rejection 사이의 trade-off를 개선하는 것입니다.
별도의 시스템 구현 연구
이와 병행한 별도의 시스템 구현 연구에서는 대표적인 STFT detector–CNN classifier 체인을 RFNoC/FPGA에 구현하여, OTA 환경에서 레이다 처리 알고리즘의 하드웨어 적용 가능성을 검증했습니다.
관련 논문 및 학회 발표
연구 질문
학습에 없던 파형이 입력되었을 때, known waveform은 정확히 분류하면서 unknown waveform을 기존 class로 오분류하지 않고 거부할 수 있는가?
이 질문을 binary unknown detection에서 시작해 known-class recognition + unknown rejection 문제로 확장했습니다. 첫 번째 연구는 reconstruction discrepancy로 미확인 파형을 탐지하고, 두 번째 연구는 파형의 구조와 스펙트럼 의미를 표현 공간에 반영합니다.
연구 발전 과정
Study 1 · Reconstruction-Based Unknown Detection
처리 흐름
핵심 방법
- DSAE: clean reference 없이 noisy input만으로 저 SNR 레이다 파형의 구조적 특징을 보존하면서 noise를 억제합니다.
- MAAE: known waveform pattern을 memory로 학습하고 known / unknown 간 reconstruction discrepancy를 이용해 미확인 파형을 탐지합니다.
- reconstruction discrepancy를 연속적인 score로 사용해 운영 환경의 false-alarm과 missed-detection trade-off를 조정합니다.
DSAE–MAAE framework PDF · Denoising comparison · AUC result
대표 결과
- 5-waveform: SNR ≥ −12 dB에서 AUC > 0.77
- 9-waveform: SNR ≥ −10 dB에서 AUC > 0.78
다음 연구가 필요했던 이유
Reconstruction-based detection은 known waveform pattern에서 벗어난 입력을 탐지하는 데 효과적입니다.
그러나 unknown waveform이 known class와 유사한 frequency sweep, hopping pattern, time-frequency structure를 공유하는 경우 reconstruction discrepancy만으로는 충분히 분리하기 어렵습니다.
이를 해결하기 위해 semantic representation 기반 Open-Set Recognition으로 연구를 확장했습니다.
Study 2 · Semantic Open-Set Radar Waveform Recognition
SAVOR 처리 흐름
단순 class label 대신 레이다 시간–주파수 영상의 구조적 패턴과 스펙트럼 특성을 semantic attribute로 표현합니다.
- Stage 1 · Known-class semantic alignment: known waveform의 image-text alignment를 학습합니다.
- Stage 2 · Unknown-aware representation: TDU(Text-Driven Unknown Modeling)와 IVU(Image-Space Virtual Unknown Modeling)를 이용해 unknown-aware representation을 구성합니다.
SAVOR framework PDF · Unknown-aware learning · Channel AUC-OSCR
대표 결과
목표는 단순히 더 많이 거부하는 것이 아니라, known-class recognition과 unknown rejection 사이의 trade-off를 개선하는 것입니다.
별도의 시스템 구현 연구
이와 병행한 별도의 시스템 구현 연구에서는 대표적인 STFT detector–CNN classifier 체인을 RFNoC/FPGA에 구현하여, OTA 환경에서 레이다 처리 알고리즘의 하드웨어 적용 가능성을 검증했습니다.
관련 논문 및 학회 발표
- Jaehyeok Yoon and Haewoon Nam, “Unsupervised Unknown Radar Waveform Detection,” IEEE Transactions on Aerospace and Electronic Systems, vol. 61, no. 6, pp. 19316–19328, 2025. DOI
- Jaehyeok Yoon and Haewoon Nam, “SAVOR: Semantic Attribute-Guided Vision-Language Framework for Open-Set Radar Waveform Recognition,” IEEE Transactions on Aerospace and Electronic Systems, under revision.
- Jaehyeok Yoon, Haewoon Nam, and Jaerock Kwon (2025.12). “Joint Recognition of LPI Radar Signals Using a VLM with TFD-Text Alignment.” ICNGC, Da Nang, Vietnam. Best Paper Award.
- 윤재혁, 남해운 (2026.02.04). “지도 학습 기반 CLIP을 활용한 레이다 신호 스펙트로그램 식별.” 2026년도 한국통신학회 동계종합학술발표회, 용평.