미확인 레이다 파형 탐지 및 Open-Set 인식

Mon, 01 Jan 0001 00:00:00 +0000

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

2022Autoencoder 기반 미확인 레이다 파형 탐지

2025DSAE-MAAE: 비지도 denoising과 memory 기반 미확인 파형 탐지

2025VLM과 TFD–Text Alignment를 활용한 파형 인식

2026SAVOR: semantic attribute, TDU, IVU 기반 Open-Set Recognition

Study 1 · Reconstruction-Based Unknown Detection

처리 흐름

Radar I/Q↓CWD time-frequency representation↓DSAE↓Noise-suppressed representation↓MAAE↓Memory-based reconstruction↓Reconstruction discrepancy↓Known / Unknown

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.

· ·

대표 결과

5-waveform: SNR ≥ −12 dB에서 AUC > 0.77
9-waveform: SNR ≥ −10 dB에서 AUC > 0.78

AWGNRayleigh FadingMeasured Wireless

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

Radar I/Q↓SPWVD↓Time-frequency image+Structural pattern · Spectral characteristics↓Vision-Language alignment↓Known classification + unknown rejection

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.

· ·

대표 결과

+0.05AUC-OSCR 평균 개선

+0.10challenging low-SNR 환경 최대 개선

AWGNRayleigh FadingMeasured WirelessUSRP OTA

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.

연구 질문

학습에 없던 파형이 입력되었을 때, known waveform은 정확히 분류하면서 unknown waveform을 기존 class로 오분류하지 않고 거부할 수 있는가?

연구 발전 과정

2022Autoencoder 기반 미확인 레이다 파형 탐지

2025DSAE-MAAE: 비지도 denoising과 memory 기반 미확인 파형 탐지

2025VLM과 TFD–Text Alignment를 활용한 파형 인식

2026SAVOR: semantic attribute, TDU, IVU 기반 Open-Set Recognition

Study 1 · Reconstruction-Based Unknown Detection

처리 흐름

Radar I/Q↓CWD time-frequency representation↓DSAE↓Noise-suppressed representation↓MAAE↓Memory-based reconstruction↓Reconstruction discrepancy↓Known / Unknown

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.

· ·

대표 결과

5-waveform: SNR ≥ −12 dB에서 AUC > 0.77
9-waveform: SNR ≥ −10 dB에서 AUC > 0.78

AWGNRayleigh FadingMeasured Wireless

다음 연구가 필요했던 이유

Reconstruction-based detection은 known waveform pattern에서 벗어난 입력을 탐지하는 데 효과적입니다.

이를 해결하기 위해 semantic representation 기반 Open-Set Recognition으로 연구를 확장했습니다.

Study 2 · Semantic Open-Set Radar Waveform Recognition

SAVOR 처리 흐름

Radar I/Q↓SPWVD↓Time-frequency image+Structural pattern · Spectral characteristics↓Vision-Language alignment↓Known classification + unknown rejection

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.

· ·

대표 결과

+0.05AUC-OSCR 평균 개선

+0.10challenging low-SNR 환경 최대 개선

AWGNRayleigh FadingMeasured WirelessUSRP OTA

목표는 단순히 더 많이 거부하는 것이 아니라, known-class recognition과 unknown rejection 사이의 trade-off를 개선하는 것입니다.

DSAE-MAAE | 윤재혁 | Jaehyeok Yoon

미확인 레이다 파형 탐지 및 Open-Set 인식

연구 질문

연구 발전 과정

Study 1 · Reconstruction-Based Unknown Detection

처리 흐름

핵심 방법

대표 결과

다음 연구가 필요했던 이유

Study 2 · Semantic Open-Set Radar Waveform Recognition

SAVOR 처리 흐름

대표 결과

별도의 시스템 구현 연구

관련 논문 및 학회 발표

연구 질문

연구 발전 과정

Study 1 · Reconstruction-Based Unknown Detection

처리 흐름

핵심 방법

대표 결과

다음 연구가 필요했던 이유

Study 2 · Semantic Open-Set Radar Waveform Recognition

SAVOR 처리 흐름

대표 결과

별도의 시스템 구현 연구

관련 논문 및 학회 발표