희소 코딩 기반 스펀지 고래 위치 추정

본 논문은 스펀지 고래(Physeter catodon)의 위치 추정을 위해, 기존의 다중 마이크 기반 TDOA 기법이 갖는 비용·복잡성 문제를 해결하고자 컴퓨터 비전 분야의 Bag‑of‑Features(B oF)와 희소 코딩(sparse coding) 기법을 수중 음향 신호에 적용한 새로운 프레임워크를 제안한다. 1. **데이터 전처리 및 로컬 패치 추출** 클릭 신호는 2000 샘플 길이로 정규화하고, 128 샘플 크기의 로컬 패치를 겹치지 않게 혹은 일정 간격으로 L=1000개 추출한다. 각 패치는 ℓ2 정규화 후 PCA를 통해 차원을 축소한다. 2. **희소 코딩 기반 인코딩** 사전 학습된 딕셔너리 D∈ℝ^{p×k} (p=128, k는 128~4096)와의 선형 결합 z≈Dα를 통해 희소 계수 α를 구한다. α는 LASSO(또는 LARS) 최적화로 얻으며, 정규화 파라미터 λ가 희소성을 제어한다. 이 단계는 신호의 잡음에 강인하고, 변환(시간 이동, 스케일 등)에 불변인 특징을 만든다. 3. **µ‑노름 풀링 및 시간 피라미드 매칭** 희소 계수 행렬 V는 µ‑노름 풀링 f_µ(v)= (∑|v_i|^µ)^{1/µ} 로 요약한다. µ=1이면 합계 풀링, µ→∞이면 최대값 풀링에 해당한다. 실험에서는 µ=3~4가 최적으로 확인되었다. 또한 클릭 신호를 전체, 절반, 사분면 등 여러 스케일로 분할하는 시간 피라미드 Λ를 정의하고, 각 구간별 풀링 결과를 가중치 Ω로 결합해 최종 전역 특징 x∈ℝ^{d} (d=총 ROI 수 × k)를 만든다. 4. **거리·방위각 회귀** 전역 특징 x는 각각 거리 r과 방위각 az를 예측하는 로지스틱 회귀 모델에 입력된다. 모델은 L2 정규화와 로그 손실을 최소화하는 형태이며, LibLinear를 이용해 효율적으로 학습한다. 테스트 단계에서는 w_r·x와 w_az·x의 내적으로 거리와 방위각을 선형 예측한다. 5. **실험 설정 및 결과** Bahamas2 데이터셋(5개 마이크, 총 6134 클릭)에서 n=2000, p=128, L=1000, λ=0.2, 딕셔너리 학습은 40만 로컬 패치를 사용해 15회 반복하였다. 10‑fold 교차 검증으로 모델을 평가했으며, ARMSE(거리)와 ARMSE(방위각)를 지표로 사용하였다. - k=2048 이상에서 제안 방법이 기존 128‑차원 스펙트럼 특징(Spectrum Feature)보다 평균 제곱근 오차가 5~10% 감소하였다. - µ=3일 때 최적의 풀링 효과를 보였으며, µ≥20이면 최대 풀링과 유사한 성능을 나타냈다. - 시간 피라미드 Λ₂(