음향 신호와 CNN을 이용한 2차원 속도 모델 추정

** 본 논문은 수중 환경에서 물체의 위치와 형태를 추정하기 위한 역문제 해결 방안을 제시한다. 전통적인 물리‑수학적 모델링이 복잡하고 계산 비용이 많이 드는 상황에서, 저자들은 딥러닝 기반 인코더‑디코더 구조를 활용해 음향 반향 신호만으로 2차원 속도 모델을 복원하는 방법을 고안하였다. 먼저, 데이터 생성 단계에서 유한차분법(FDM)을 이용해 2 D 이질 매질을 시뮬레이션하였다. 매질은 256×256 격자로 구성되며, 물(속도 1500 m/s)과 3000 m/s 물체가 임의로 배치된 형태이다. 물체는 원형 혹은 정사각형이며, 개수는 0~10개 사이로 랜덤하게 설정한다. 파동 방정식(∂²p/∂t² = c²(∂²p/∂x²+∂²p/∂z²)+s)을 7‑점 스템셀과 3‑점 시간 스템셀로 이산화해 1800 타임스텝(Δt = 2.5 µs) 동안 전파를 계산한다. 음원은 40 kHz 중심 주파수를 갖는 가우시안 1차 미분 파형이며, 11개의 고정 측정점에서 압력 신호를 1400 타임스텝 동안 기록한다. 이렇게 생성된 20 000개의 샘플을 입력‑출력 쌍으로 저장한다. 네트워크 설계는 두 부분으로 나뉜다. 인코더는 1D Conv 레이어(커널 크기·패딩·스트라이드 조정)와 BatchNorm, ReLU/시그모이드, MaxPooling을 차례로 4번 반복해 입력(1400×11)을 16×16 특성 맵으로 압축한다. 디코더는 2D Conv 레이어와 UpSampling2D, BatchNorm을 이용해 16×16 특성 맵을 원본 크기인 256×256 이진 마스크로 복원한다. 기본 모델을 InvNet이라 명명하고, 각 MaxPooling 뒤에 Residual 블록을 1개 혹은 2개 추가한 변형 모델(InvNet+1Res, InvNet+2Res)도 구현했다. 학습은 Python 3.6, TensorFlow 기반으로 Intel Xeon CPU와 Nvidia Tesla K40 GPU를 사용해 진행했다. 데이터는 훈련 70 %, 검증 15 %, 테스트 15 %로 분할했으며, 손실 함수는 binary cross‑entropy, 옵티마이저는 Adam(learning rate = 0.0002, β₁ = 0.5, β₂ = 0.99)이다. 배치 크기 20, 에폭 30으로 학습했으며, 10 epoch 이후 과적합 징후가 나타났다. 검증 정확도는 평균 97.6 %, 손실 0.064 수준을 유지했다. 테스트 결과는 표 1에 정리되어 있다. 모든 모델이 정확도와 특이도에서 97~99 %의 높은 점수를 받았지만, 정밀도와 민감도는 각각 75.88 %와 64.69 %에 머물렀다. 이는 모델이 물체 존재 자체는 잘 탐지하지만, 잡음·다중 반향에 의해 거짓 양성·거짓 음성이 발생함을 의미한다. 반면, IoU는 98.58 %로 매우 높은 일치도를 보였으며, 이는 객체의 위치와 크기 추정이 정확함을 나타낸다. Residual 블록을 추가한 변형 모델은 약간의 성능 향상이 있었지만 파라미터 수가 9 M→11 M로 증가해 계산 비용이 늘어났다. 따라서 저자는 가장 효율적인 기본 InvNet을 최종 모델로 선정했다. 결론에서는 제안된 인코더‑디코더 CNN이 합성 데이터에 대해 높은 IoU와 빠른 추론 속도를 보이며, 실제 수중 환경에서도 유사한 성능을 기대할 수 있음을 언급한다. 그러나 현재 모델은 다중 반향·그림자 효과에 취약해 정밀도·민감도가 낮은 것이 한계이며, 향후 실제 실험 데이터를 활용한 도메인 적응, 센서 배열 최적화, 멀티‑스케일 혹은 attention 메커니즘 도입 등을 통해 성능을 개선할 계획이라고 제시한다. **