Radar Signal Processing | 윤재혁 | Jaehyeok Yoon

Carrier Frequency Estimation of Low SNR Radar Signal Based on Denoising Autoencoder and DBSCAN

Mon, 01 Jul 2024 00:00:00 +0000

저 SNR 환경에서 레이다 신호의 반송파 주파수를 추정하기 위한 신호 처리 및 딥러닝 기반 접근을 다룹니다.

Vision-Language 기반 미지 레이더 신호 인식

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

연구 배경과 필요성

기존 레이다 파형 분류기는 학습 단계에서 모든 waveform class가 미리 정의되어 있다는 closed-set assumption을 사용하는 경우가 많습니다. 그러나 실제 비협조적 수신 환경에서는 새로운 waveform, 변형된 modulation, 학습 데이터에 포함되지 않은 radar emission이 언제든 등장할 수 있습니다.

Closed-set classifier는 unknown waveform이 입력되어도 이를 모르는 신호로 판단하지 못하고, 가장 가까운 known class 중 하나로 강제 분류할 수 있습니다. 특히 저 SNR에서는 noise와 channel distortion 때문에 시간·주파수 구조가 흐려져 known class 간 separability뿐 아니라 known과 unknown의 차이도 작아집니다.

따라서 실제 레이다 인식 시스템에는 known waveform은 정확한 class로 분류하고, 학습하지 않은 waveform은 known으로 오분류하지 않고 unknown으로 reject하는 open-set recognition이 필요합니다.

문제 정의

Reconstruction-based unknown detection은 reconstruction error를 이용해 학습하지 않은 waveform을 구분할 수 있지만, open-set recognition에서는 unknown rejection과 known waveform classification을 동시에 만족해야 합니다. 따라서 시스템은 known waveform의 class를 정확하게 구분하면서도 학습하지 않은 waveform은 known으로 오분류하지 않고 unknown으로 거부해야 합니다.

Radar waveform은 LFM sweep, nonlinear sweep, hopping pattern, phase-coded structure처럼 서로 공유하는 structural primitive를 가질 수 있습니다. 따라서 unknown waveform이 known waveform과 일부 구조를 공유하면 reconstruction error나 단순 feature distance만으로는 경계가 모호해질 수 있습니다.

Closed-set 학습→Unknown waveform 등장→Known과 부분적으로 유사한 구조→저 SNR로 경계 불명확→Unknown을 Known으로 오분류

Concept 그림 1. Closed-set 분류는 unknown sample을 known class로 오분류할 수 있지만, open-set recognition은 known classification과 unknown rejection을 함께 수행한다. 학습 단계에서 보지 못한 waveform이 등장할 때 두 문제의 판단 목표가 어떻게 달라지는지 보여준다.

연구 목표

본 연구는 저 SNR 환경에서 known radar waveform의 분류 성능을 유지하면서, 학습에서 보지 못한 waveform을 안정적으로 reject하는 open-set radar waveform recognition을 목표로 했습니다. 이를 위해 radar waveform을 단순 class label로 표현하지 않고, 시간·주파수 영상에서 관찰되는 structural pattern과 spectral characteristic을 semantic attribute text로 구성했습니다.

제안한 SAVOR는 SPWVD time-frequency image와 radar semantic attribute text를 shared vision-language embedding space에 정렬한 뒤, Stage 1에서 known semantic reference를 만들고 Stage 2에서 unknown-aware representation을 학습합니다.

Raw Radar I/Q→SPWVD Time-Frequency Image+Radar Semantic Attribute Text→Stage 1: Known Semantic Alignment→Stage 2: Unknown-Aware Learning→Known Classification + Unknown Rejection

왜 Vision-Language Model을 사용하는가

일반적인 classifier는 LFM, Barker, Costas와 같은 class label을 supervision으로 사용합니다. 하지만 class name 자체에는 waveform이 시간·주파수 영역에서 어떤 구조를 가지는지에 대한 정보가 거의 없습니다. 같은 class라도 SNR과 채널에 따라 영상이 달라지고, 서로 다른 class가 일부 구조적 primitive를 공유할 수도 있습니다.

Vision-language model은 image representation과 text representation을 공통 embedding space에 정렬할 수 있습니다. 따라서 ascending 또는 descending sweep, curved ridge, stepwise hopping, horizontal band, fragmented energy와 같은 waveform의 구조적 의미를 text로 표현해 TFI와 연결할 수 있습니다.

이 연구는 CLIP을 레이다에 그대로 적용해 zero-shot recognition을 수행한 것이 아닙니다. pretrained CLIP embedding을 radar semantic attribute와 open-set learning에 맞게 구성하고, Stage 1과 Stage 2의 학습 전략으로 known classification과 unknown rejection이 함께 가능한 표현 공간을 설계했습니다.

제안 방법

Method 그림 2. Radar time-frequency representation과 semantic attribute를 결합한 SAVOR open-set 레이다 파형 인식 전체 구조. 레이더 시간·주파수 표현과 의미 정보를 Vision-Language embedding space에 정렬해 known classification과 unknown rejection을 함께 수행하는 흐름을 보여준다.

Semantic Attribute Construction

Known-Class Attribute Text

Known class의 text는 각 waveform의 structural pattern과 spectral characteristic을 결합해 구성합니다. Structural pattern은 ascending diagonal line, curved trace, stepwise frequency pattern, horizontal band처럼 TFI의 전체적인 형태를 설명하고, spectral characteristic은 continuous energy ridge, fragmented distribution, phase-transition artifact, oscillating frequency characteristic처럼 그 구조 위의 에너지 분포를 설명합니다.

각 class에 대해 여러 candidate phrase를 만들고 training 중 structural pattern과 spectral characteristic을 sampling해 의미적으로 일관되면서도 다양한 text description을 생성합니다. 목적은 특정 문장을 외우게 하는 것이 아니라, 각 waveform class의 구조적 의미와 image embedding을 정렬하는 것입니다.

Attribute-Aware Base Text

두 번째 text set은 특정 known class에 직접 연결되지 않는 generic time-frequency description으로 구성합니다. Vertical streak, horizontal band, diffuse blob, fragmented trace, broad smear, scattered energy, irregular cluster와 같은 attribute를 사용하고, 이를 “a radar spectrogram showing …” 또는 “a noisy spectrogram with …” 같은 template과 결합합니다.

이 text들은 known class description이 아니라 Stage 2에서 unknown semantic direction을 만들기 위한 semantic basis입니다. 즉 known-class attribute text는 known semantic alignment를 담당하고, attribute-aware base text는 unknown modeling을 위한 semantic diversity를 제공합니다.

Stage 1 — Known Semantic Alignment

Stage 1의 목적은 unknown을 직접 학습하는 것이 아니라, known radar waveform class를 semantic하게 분리되는 embedding space에 정렬하는 것입니다. Radar waveform을 SPWVD 기반 TFI로 변환하고 CLIP image encoder로 image embedding을 생성합니다.

동시에 해당 waveform의 structural pattern과 spectral characteristic을 포함하는 text를 CLIP text encoder로 embedding합니다. Image-to-text contrastive learning을 통해 각 radar image가 자신의 semantic attribute description과 가까워지도록 학습하고, known class를 단순 class ID가 아닌 waveform의 구조적 의미를 기준으로 정렬합니다.

Stage 1은 unknown을 직접 학습하는 단계가 아니라, 이후 unknown-aware regularization이 작동할 수 있는 known waveform의 semantic reference space를 먼저 만드는 단계입니다.

Stage 2 — Unknown-Aware Representation Learning

Stage 1만으로는 known class가 잘 정렬되더라도 unknown waveform이 embedding space에서 어디에 나타날지를 직접 고려하지 않습니다. 따라서 Stage 2에서는 text side와 image side에서 각각 unknown-related region을 모델링합니다.

Text-Driven Unknown(TDU)은 attribute-aware base text를 이용해 semantic space를 확장하고, Image-space Virtual Unknown(IVU)은 known class 사이의 모호한 image region을 regularize합니다. 두 방법은 같은 unknown prototype을 사용하는 것이 아니라 서로 다른 공간에서 complementary하게 작동합니다.

Method 그림 3. Attribute-aware base text와 known class center를 이용해 text side와 image side의 virtual unknown을 구성하는 Stage 2 구조. TDU는 semantic direction을 확장하고 IVU는 known class 사이의 ambiguous region을 정리한다.

TDU — Text-Driven Unknown Modeling

TDU는 attribute-aware base text에서 얻은 embedding으로 known class에 종속되지 않는 semantic basis를 구성합니다. 이 basis에서 text-derived virtual unknown direction을 만들고 known prototype과 함께 training logit에 포함해, image embedding이 known class와 정렬되면서도 known 밖의 semantic direction을 고려하도록 학습합니다.

TDU는 실제 unknown class의 text label을 만들어 학습하는 구조가 아닙니다. 사전에 알 수 없는 실제 unknown waveform 대신, radar-specific generic attribute text에서 virtual unknown semantic direction을 구성해 text-side open-set regularization을 수행합니다.

Generic Radar Semantic Text→Semantic Basis→Virtual Unknown Directions→Text-side Open-set Regularization

IVU — Image-Space Virtual Unknown Modeling

IVU는 image embedding의 class boundary를 직접 regularize합니다. 현재 batch에서 known class center를 계산하고 서로 다른 known class center를 mixing해 inter-class region을 만든 뒤, 그 위치에 작은 Gaussian perturbation을 추가해 image-space virtual unknown prototype을 생성합니다.

생성한 virtual unknown이 known class center와 너무 가까워지지 않도록 margin-based separation을 적용합니다. 따라서 IVU는 실제 unknown image를 수집해 학습하는 단계가 아니라, known class 사이의 ambiguous region을 unknown-aware하게 정리하는 image-side regularization입니다.

Known Class Centers→Inter-Class Mixing→Gaussian Perturbation→Virtual Unknown→Margin-based Separation

TDU와 IVU를 함께 사용하는 이유

TDU만 사용하면 semantic direction은 다양해지지만 image space의 실제 class boundary를 직접 제어하는 데 한계가 있습니다. 반대로 IVU만 사용하면 inter-class region을 regularize할 수 있지만 radar waveform이 가진 semantic structure를 충분히 활용하지 못할 수 있습니다.

따라서 TDU는 text side에서 semantic space를 넓히고, IVU는 image side에서 known class 사이의 경계를 정리하도록 역할을 나누었습니다. 두 regularization을 함께 사용해 known classification과 unknown rejection 사이의 균형을 개선합니다.

구분	TDU	IVU
공간	Text / semantic embedding	Image embedding
입력	Attribute-aware base texts	Known class centers
역할	Unknown semantic direction 생성	Inter-class virtual unknown 생성
효과	Semantic space 확장	Ambiguous class boundary separation

Open-Set Inference

Training 단계에서는 TDU와 IVU를 통해 virtual unknown을 사용하지만, 실제 inference에서 unknown prototype과 직접 matching하지 않습니다. Test waveform을 SPWVD TFI로 변환하고 image encoder로 embedding한 뒤, 각 known class image prototype과 similarity를 계산합니다.

Maximum similarity가 충분히 높으면 가장 가까운 known class로 분류하고, maximum similarity가 낮으면 unknown으로 rejection합니다. 개념적으로는 Unknown Score = 1 − max similarity to known prototypes로 이해할 수 있습니다.

실제 unknown waveform의 종류는 사전에 알 수 없기 때문에, 특정 virtual unknown prototype과 직접 matching하기보다 known distribution과 얼마나 가까운지를 기준으로 판단하도록 설계했습니다. Virtual unknown은 training 중 embedding space를 shaping하기 위한 것이고, inference는 known prototype에 대한 confidence를 이용합니다.

Test Radar TFI→Image Encoder→Similarity to Known Prototypes→Maximum Similarity High: Known Class/Low: Unknown Reject

모델 및 입력 설정

본문에서는 결과 해석에 필요한 설정만 유지하고, 세부 loss weight와 noise scale은 생략했습니다.

항목	설정
Framework	CLIP-based Vision-Language framework
Visual encoder	ViT-B/16
Input	SPWVD 224 × 224 TFI
SNR evaluation	−16 dB ~ 0 dB
Attribute-aware base texts	1,000
Text-driven virtual unknown prototypes	20
Semantic basis dimension	64

평가 지표

Open-set recognition은 known classification과 unknown rejection을 함께 다루므로, 이 연구에서는 threshold 변화에 따른 두 성능의 trade-off를 하나의 곡선으로 확인하는 AUC-OSCR을 주요 평가 지표로 사용했습니다.

AUC-OSCR: known sample을 올바른 class로 인식하는 성능과 unknown sample을 known으로 받아들이는 비율 사이의 trade-off를 종합적으로 평가합니다.

실험 파형 및 파라미터 구성

연구 2와 구분되는 별도 synthetic dataset으로 15 waveform classes를 구성했습니다. fs = 500 MHz 조건에서 각 SNR·class 조합마다 1,000개를 생성하고, SPWVD 기반 224×224 time-frequency image로 −16~0 dB의 open-set recognition을 평가했습니다.

연구 3 synthetic waveform class 구성
파형군	사용 클래스	주요 생성 파라미터
LFM	LFMD, LFMU	`fc: fs/6–fs/5` · `BW: fs/20–fs/10` · `N: 512–1920`
NLFM	NLFMT, NLFMS	`fc: fs/6–fs/5` · `BW: fs/20–fs/10` · `N: 512–1920`
Phase Code	Barker	`fc` · `Lc: 2/3/4/5/7/11/13` · `Ncc: 20–24`
Frequency Hopping	Costas	`Nhop: 3–6` · `fmin: fs/30–fs/24` · `N: 512–1920`
Polyphase	Frank, P1–P4	`fc` · `Ncc` · frequency step/sub-code 수
Polytime	T1–T4	`fc` · `BW` · `Ng: 4–6` · signal length

세부 범위는 논문 Table III를 기준으로 유지했습니다. Frank/P1/P2는 Ncc={3,4,5}, M={6,7,8}, P3/P4는 Ncc={3,4,5}, Ns={4,16,36,49,64}를 사용했습니다. T1/T2는 Ng={4,5,6}, T3/T4는 추가로 B=fs/20–fs/10 범위를 사용했습니다.

15 Waveform Classes 1,000 / class / SNR fs 500 MHz SNR −16~0 dB SPWVD 224×224 AWGN / Rayleigh / Measured Wireless

Experiments(시뮬레이션)

Single-Unknown protocol

각 waveform class를 한 번씩 unknown으로 제외하고 나머지 class를 known으로 학습합니다. Inference에서는 known waveform은 올바른 class로 분류하고, 학습에서 제외한 한 종류의 waveform은 unknown으로 reject할 수 있는지 평가합니다.

Two-Unknown protocol

두 종류의 waveform을 동시에 unknown으로 제외해 unknown diversity가 증가한 조건을 평가합니다. 한 종류의 unknown에만 맞춘 것이 아니라, 여러 unseen waveform을 일반적인 open-set representation으로 분리할 수 있는지 확인합니다.

시뮬레이션 채널 조건

시뮬레이션 채널은 AWGN과 Rayleigh fading으로 구성했습니다. Rayleigh에서는 multipath와 Doppler 영향을 포함해 ideal AWGN보다 복잡한 propagation 환경에서 open-set representation이 유지되는지를 확인했습니다.

실제 하드웨어와 무선 채널을 포함한 controlled OTA 평가는 시뮬레이션 결과와 분리해 다음 실환경 검증 섹션에서 다룹니다.

AUC-OSCR 결과

왼쪽 결과는 Single-Unknown 조건, 오른쪽 결과는 Two-Unknowns 조건의 AUC-OSCR입니다. 두 결과는 unknown waveform을 제외하는 방식만 달리하고, 동일한 주요 지표로 open-set recognition 성능을 비교합니다.

Result Single-Unknown · AUC-OSCR 한 종류의 unknown waveform을 제외한 조건에서 SAVOR와 비교 방법의 AUC-OSCR을 비교합니다.

Result Two-Unknowns · AUC-OSCR 두 종류의 unknown waveform을 제외한 조건에서 SAVOR와 비교 방법의 AUC-OSCR을 비교합니다.

Measurements(실측)

시뮬레이션 결과와 별도로 GNU Radio와 USRP를 이용해 waveform을 실제 무선 채널로 송수신하고, 수신 신호를 SPWVD TFI로 변환해 동일한 SAVOR recognition chain을 평가했습니다. Measured wireless 평가는 대규모 operational radar dataset을 의미하는 것이 아니라, 실제 하드웨어와 무선 채널을 포함한 controlled OTA 검증입니다.

Experiment 실환경 OTA 처리 흐름 파형 생성과 송신, 무선 채널, 수신·DC 제거, power measurement, SAVOR waveform recognition이 연결된 controlled OTA 구성입니다.

Result AUC-OSCR · Simulated / Measured 시뮬레이션 채널과 measured wireless 조건에서 AUC-OSCR을 비교합니다.

Result FPR95 · Simulated / Measured 시뮬레이션과 실제 무선 조건에서 unknown false positive rate를 비교합니다.

Result Known Accuracy · Simulated / Measured known waveform classification accuracy가 채널 조건에 따라 어떻게 변하는지 확인합니다.

Result AUPRC · Simulated / Measured unknown rejection의 precision-recall 기반 성능을 채널별로 비교합니다.

Result AUROC · Simulated / Measured known과 unknown의 분리 성능을 채널별로 비교합니다.

연구의 한계

구조적으로 유사한 waveform에서는 unknown도 known pattern과 가까운 표현을 만들 수 있어, semantic representation만으로 모든 경계를 완벽하게 분리하기는 어렵습니다. 따라서 본 연구의 결과는 15종 waveform과 controlled open-set protocol, AWGN·simulated Rayleigh·controlled OTA 조건에서의 검증 범위로 해석해야 합니다.

본 연구는 15종 waveform을 대상으로 한 controlled open-set protocol과 AWGN, simulated Rayleigh, controlled OTA 중심의 평가로 semantic attribute의 효과를 검증했습니다. 대규모 operational radar dataset 전체를 검증한 것은 아니며, full SAVOR를 FPGA에 구현한 연구도 아닙니다. 향후에는 더 다양한 실제 radar waveform과 channel 환경으로 확장하고, 경량화된 open-set recognition 모델의 edge 및 FPGA 적용을 검토할 수 있습니다.

결론

저는 이 연구에서 저 SNR open-set radar waveform recognition 문제를 정의하고, radar time-frequency structure를 semantic attribute로 표현하는 text construction 방식을 설계했습니다. Known waveform의 structural pattern과 spectral characteristic을 이용한 Stage 1 semantic alignment를 구성하고, Stage 2에서는 attribute-aware base text를 이용한 Text-Driven Unknown(TDU)과 inter-class image feature를 이용한 Image-space Virtual Unknown(IVU)을 결합했습니다.

또한 Single-Unknown과 Two-Unknown protocol으로 known classification과 unknown rejection을 함께 평가하고, AWGN, Rayleigh fading, GNU Radio·USRP 기반 measured wireless 환경으로 robustness evaluation을 확장했습니다. 이 연구의 의미는 기존의 학습된 class 중 하나를 선택하는 radar classifier와 Known / Unknown만 구분하는 anomaly detector를 넘어, known waveform은 정확하게 분류하고 학습하지 않은 waveform은 unknown으로 거부하는 open-set radar recognition을 semantic attribute와 vision-language representation으로 확장했다는 점입니다.

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.

Radar Signal Processing | 윤재혁 | Jaehyeok Yoon

Carrier Frequency Estimation of Low SNR Radar Signal Based on Denoising Autoencoder and DBSCAN

Vision-Language 기반 미지 레이더 신호 인식

연구 배경과 필요성

문제 정의

연구 목표

왜 Vision-Language Model을 사용하는가

제안 방법

Semantic Attribute Construction

Known-Class Attribute Text

Attribute-Aware Base Text

Stage 1 — Known Semantic Alignment

Stage 2 — Unknown-Aware Representation Learning

TDU — Text-Driven Unknown Modeling

IVU — Image-Space Virtual Unknown Modeling

TDU와 IVU를 함께 사용하는 이유

Open-Set Inference

모델 및 입력 설정

평가 지표

실험 파형 및 파라미터 구성

Experiments(시뮬레이션)

Single-Unknown protocol

Two-Unknown protocol

시뮬레이션 채널 조건

AUC-OSCR 결과

Measurements(실측)

연구의 한계

결론

관련 성과

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