In this thesis, machine learning such as convolutional neural network and transfer learning for automatic target recognition is researched. Recently, machine learning has shown remarkable performance in a variety of natural language processing fields such as image recognition problem, and is attracting attention in various industries and academic fields. However, in the field of automatic target recognition, it is difficult to acquire enough training data because it is military-purpose data and uses sensor data such as synthetic aperture radar and infrared image having characteristics different from ordinary image. Therefore, it is difficult to get desired performance when the conventional machine learning specific to the general image is applied. In this thesis, convolutional neural network specialized for automatic target recognition of synthetic aperture radar and infrared image are researched. It is shown numerically that the neural network shows high performance for synthetic aperture radar, infrared image even with little training data and different characteristics from ordinary image. In addition, an automatic target recognition method between heterogeneous data based on transfer learning that can supplement the insufficient training data is proposed. In the most existing research, only homogeneous data are used such as simulated data of the specific sensor and infrared data with different wavelength are used to supplement the data. This is due to the difficulty of feature learning between heterogeneous data with general machine learning methods because heterogeneous sensor data have distinctly different characteristics. In this paper, domain adversarial neural network structure, which is a recently proposed transfer learning structure, is used to enable learning in between heterogeneous data. The method is compared with the supervised learning method numerically, which is a general machine learning method for training convolutional neural network. The proposed transfer learning method shows numerical results that enables knowledge transfer in between heterogeneous data unlike supervised learning. These results suggest alternative solution to supplement little automatic target recognition data with heterogeneous sensor data.
본 논문에서는 자동 표적 인식을 위한 합성곱 신경망, 전이학습 등 기계학습 연구를 수행한다. 최근 기계학습은 영상 인식 문제 등 다양한 자연어 처리 분야에서 괄목할 만한 성능을 보여주며 다양한 산업, 학계 분야에서 각광받고 있다. 그러나 자동표적인식 분야에서는 합성개구레이더, 적외선 영상 등 일반영상과는 다른 특성을 지닌 영상데이터를 사용하며, 군용영상이기 때문에 충분한 학습데이터를 획득하기 어렵다. 따라서 일반 영상에 특화된 기존의 널리 알려진 기계학습을 적용할 경우 원하는 성능을 도출하기 어렵다. 이에 본 연구에서는 합성개구레이더, 적외선 영상에 특화된 자동표적인식 합성곱 신경망을 설계하고 제안한다. 이를 통해 적은 학습데이터 조건에도 합성곱 신경망이 합성개구레이더, 적외선 영상에 대해 높은 수준의 성능을 나타냄을 수치적으로 보인다. 또한 부족한 학습데이터를 보완하기 위한, 전이학습 기반의 이종데이터 간 자동표적인식 기법을 제안한다. 기존의 연구에서는 특정 센서의 모사데이터, 다른 파장대역의 적외선 데이터 활용 등 대부분 동종 센서의 데이터만을 활용하여 학습데이터를 보완한다. 이는 이종센서 데이터가 극명한 특성차이를 가지고 있기 때문에 일반적인 기계학습방법으로는 학습이 어렵다는 점에 기인한다. 이에 본 논문에서는 최근에 제안된 전이학습 구조인 도메인 역 신경망 구조를 활용하여 이종센서 데이터간의 학습을 가능하게 한다. 해당 방법의 결과는 합성곱 신경망을 학습시키는 일반적인 기계학습 방법인 지도학습법의 결과와 비교되며, 이를 통해 해당 전이학습 방법은 이종데이터 간의 지식 전이를 가능하게 함을 수치적으로 보인다. 이와 같은 결과를 통해 부족한 자동표적인식 데이터를 이종 센서의 데이터로 보완이 가능함을 보인다.
