In this dissertation, we propose two landmine detection methods using ground penetrating radar(GPR). The first method is to strengthen the landmine signal effectively, even if the landmine signal is weak and there are fluctuations and misalignments in the background signal. The background signal is modeled by using the cumulative intensity distribution(CID) to solve the fluctuation and misalignment problem of the background signal. Before modeling, the frequency shifting is applied to remove the horizontal striped pattern noise which strongly affects the intensity distribution. For quantitative evaluation, we propose a landmine-background distance based on the linear discriminant analysis(LDA). As a result, we can see that the proposed method effectively strengthens the signals in the landmine area. The second method uses generative adversarial nets(GANs), a kind of deep neural network, to convert the mine signal into a ground truth image. To this end, we first propose gray level ground truth, which was inspired by soft targets used in knowledge distillation. Gray level ground truth is to model the target value with a gray level signal, without modeling the ground truth for a binary signal with a target value of 1 and a background value of 0. The target value was modeled by analyzing the tendency of the landmine signal, and the system was observed to converge stably when the gray level ground truth was used. In addition, we apply two ideas to improve the performance of the system. The first idea is the overlap score loss based on conventional performance measurement method of landmine detection systems. This loss differs from the l1 loss in that it takes into account the size of the overlapping area. The second idea is joint training which uses signals from the ambient sensors. This can increase the detection rate of landmines across multiple sensors and reduce false alarms caused by transient noise. Experimental results show that network performance improves when using the proposed ideas. Also, when the results of the two landmine detection methods are merged, the system exhibits the best performance below a certain false alarm rate.
이 논문에서는 지면 투과 레이더의 데이터를 이용한 두 가지 지뢰탐지 방법을 제안한다. 첫 번째 방법은 지뢰 신호가 약하고, 배경 신호의 변동이 큰 경우에도 배경 신호를 상대적으로 약화하고 지뢰 신호를 효과적으로 강화하는 방법이다. 배경 신호의 변동이나 비정렬 문제를 해결하기 위하여 누적 강도 분포를 이용하여 배경 신호를 모델링하였고, 모델링 이전에 강도 분포의 형태에 강한 영향을 끼치는 가로 방향 노이즈를 제거하기 위하여 주파수 이동을 적용하였다. 방법의 정량적 평가를 위해 선형 판별 해석에 기반한 지뢰-배경 거리를 제안하였고, 실험결과 기존방법보다 제안방법이 지뢰 영역의 신호를 효과적으로 강화하는 것을 볼 수 있었다. 두번째 방법은 심층신경망의 일종인 적대적생성망을 이용하여 지뢰 신호를 실제 표적이 묻혀있는 실측 자료 이미지로 변화시키는 방법이다. 이를 위해 우선, 신경망의 적용에 알맞도록 지식추출에서 이용하는 소프트 타깃에 영감을 받은 회색도 실측 자료를 이용하였다. 회색도 실측 자료란 타깃값이 1이고 배경값이 0을 가지는 이진신호의 실측자료가 아닌 타깃값을 회색도 신호로 모델링하는 것이다. 지뢰 신호의 경향성을 분석하여 타깃값을 모델링하였고, 회색도 실측 자료를 이용하였을 때 시스템이 안정적으로 수렴하는 것을 관찰하였다. 이에 더하여, 시스템의 성능을 높이기 위하여 두 가지 아이디어를 적용하였다. 첫 번째 아이디어는 기존 지뢰탐지 시스템의 성능측정 방법에 기인한 오버랩 스코어 로스이다. 이 로스는 겹치는 영역의 넓이를 고려한다는 점에서 기존 l1 로스와 차이가 있다. 두 번째 아이디어는 주변 센서에서 나온 신호를 이용하는 조인트 트레이닝이다. 이를 통해 여러 센서 신호에 걸쳐 나오는 지뢰의 탐지율을 높일 수 있으며 일시적인 잡음으로 생기는 오경보를 줄일 수 있다. 성능 평가에서는 실제 실험장에서 추출한 데이터셋과 시뮬레이터를 이용하여 생성된 데이터셋을 이용하였다. 실험결과에서는 제안 아이디어를 이용하였을 때 더 좋은 성능을 내는 것을 볼 수 있었으며, 두 가지 지뢰탐지 방법의 결괏값을 합쳤을 때 일정 오경보율 이하에서 가장 좋은 성능을 나타내는 것을 볼 수 있었다.
