전투기 조종사는 공대지 임무 수행을 위해 전투기에 탑재된 레이다를 이용하여 원거리 특정 지역에 대한 고해상도 SAR(Synthetic Aperture Radar) 영상을 획득한 후 조종사가 육안으로 영상 내 표적을 구분하는 업무를 수행하고 있다. 하지만 SAR 영상 내 촬영된 표적형상은 크기가 화면 크기 대비 매우 작고, 빔 방사 각도에 따라 형태 왜곡이 발생하거나, 여러 종류의 클러터와 함께 존재하기 때문에, 육안으로 표적을 분류하는데 오류가 있을 수 있다. 또한, 조종사가 항법, 상황인식, 교전 등의 업무를 동시에 수행하게 될 경우, 표적 분류 정확도는 더욱 낮아질 수 있다. 이 문제를 해결하기 위하여 SAR 영상 내 표적을 자동으로 인식하고 분류하는 방법(Auto Target Recognition, 이하 ATR)이 다양하게 연구되고 있으며, 최근에는 이미지 인식 및 분류 성능이 뛰어난 컨볼루셔널 뉴럴 네트워크(Convolutional Neural Network, 이하 CNN)을 이용한 표적분류를 수행하는 방법이 많이 연구되고 있다.

CNN 모델은 이미지의 공간정보를 유지하면서 이미지의 특징을 추출하고 이를 학습시켜 이미지를 분류하는 모델로 SAR 영상내 표적자 동분류 문제에 다양하게 적용되고 있다. SAR 표적영상은 레이다를 탑재하여 실제 비행을 통해 획득해야 하므로, 이에 따른 시간과 비용이 많이 소모되어 충분한 학습데이터를 확보하는 것이 제한된다. 이를 단일 CNN 모델 학습에 사용할 경우, 과적합(Over-fitting) 문제가 발생할 수 있고, 학습되지 않은 이미지 테스트시 분류 정확도가 크게 떨어질 수 있다. 이 문제의 해결을 위해, 학습데이터에 대한 증강(Data augmentation)을 통해 부족한 학습데이터를 늘리고, 여러 개의 CNN 모델을 연결시키는 앙상블(Ensemble)기법을 이용하여 정확도를 향상시켰다.

​

해당 모델들의 성능 평가를 위한 loss와 accuracy는 학습 횟수(Epoch)가 증가함에 따라 분류 정확도가 높아짐을 확인했다. 이 기능을 적용할 경우 조종사의 표적식별 업무를 전투기용 레이다 시스템으로 전이할 수 있을 뿐만 아니라, 조종사보다 정확하게 표적을 분류할 수 있을 것으로 기대한다.

​

출처 : 전투기용 레이다 기반 SAR 영상 자동표적분류 기능 구조 및 CNN 앙상블 모델을 이용한 표적분류 정확도 향상 방안 연구(시스템엔지니어링 학술지, 2020.06)