저탐지 수중 표적 추적을 위한 딥러닝 기반 분할 네트워크

Abstract

잠수함 전투체계에서, 자함의 위치를 노출시키지 않고 적 표적을 탐지하기 위하여 수동형 소나가 사용된다. 수동형 소나를 통해 방위각 정보를 얻을 수 있고, 거리에 대한 정보는 획득된 방위각 정보를 이용해 추가적인 표적기동분석을 수행함으로써 얻을 수 있기 때문에 정확한 방위각 정보의 확보가 중요하다. 수동형 소나를 통해 수신된 신호는 시간에 대한 표적의 방위각 정보를 이미지화함으로써 나타낼 수 있으며, 이를 BTR(Bearing-Time Records) 데이터라 한다. 본 논문에서는, BTR 데이터로부터 표적 검출률을 개선하기 위한 딥러닝 기반 분할 네트워크를 제안한다. 실제 표적 방위각 데이터는 군사 정보로써 획득이 어려우므로 모의 BTR 데이터셋을 생성하여, 이를 통해 네트워크 학습 및 실험을 진행하였다. 특히, 방향성을 갖는 BTR 이미지 내 표적 객체를 잘 추출하기 위해 Spatial Convolutional Layer 기반 분할 네트워크를 제안한다. 제안 모델은 다양한 강도의 노이즈 환경 및 표적 탐지 확률을 갖는 실험 데이터셋에서 기존 딥러닝 기반 분할 모델 대비 가장 우수한 표적 검출 성능을 보여준다.

In submarine combat systems, passive sonars are used to detect enemy targets without exposing the ship's location. Since bearing information can be obtained through passive sonar, and information about distance can be obtained by performing additional target maneuver analysis using the obtained bearing information, it is important to secure accurate bearing information. The signal received through the passive sonar can be represented by imaging the target's bearing information with respect to time, which is called BTR(Bearing-Time Records) data. In this paper, we propose a deep learning-based segmentation network to improve the target detection rate from BTR data. Since it is difficult to obtain the actual target bearing data as military information, a simulated BTR dataset was created and network learning and experiments were conducted through it. In particular, we propose a Spatial Convolutional Layer-based segmentation network to well extract target objects in BTR images with directionality. The proposed model shows the best target detection performance compared to the existing deep learning-based segmentation model in experimental datasets with various intensity noise environments and target detection probabilities.