복합값 주의 강화 대조 학습 기반 mmWave 레이더 폐쇄 물체 분류

초록

본 논문은 복소수형 CNN 백본에 멀티‑헤드 셀프‑어텐션을 결합하고, 가중 교차 엔트로피와 감독 대조 손실을 혼합한 하이브리드 손실 함수를 적용한 ACCOR 모델을 제안한다. 64 GHz와 67 GHz 두 주파수 대역에서 10종류의 포장된 물체를 분류한 결과, 각각 96.60 %와 93.59 %의 정확도를 달성해 기존 레이더 전용 및 이미지 기반 모델을 능가한다.

상세 분석

ACCOR는 mmWave 레이더의 복소수 IQ 신호를 직접 처리하도록 설계된 복소값 CNN을 핵심으로 한다. 기존 연구에서는 실수값 네트워크에 I·Q를 별도 채널로 입력하거나, 레인지‑도플러 이미지와 같은 전처리된 형태를 사용했지만, 이는 위상 정보와 복소수 간의 상관관계를 손실한다. 논문은 복소수 컨볼루션, 복소수 배치 정규화, 복소수 ReLU(cReLU)를 적용해 신호의 진폭‑위상 결합을 보존한다(식 4‑6). 3개의 복소값 컨볼루션 레이어와 평균 풀링을 거친 뒤, 256 차원의 토큰 벡터로 임베딩하고, 실수 영역으로 변환해 16개의 헤드를 갖는 멀티‑헤드 셀프‑어텐션에 입력한다. 어텐션은 레인지와 각도 도메인에서의 장거리 의존성을 학습해 특징을 정교화한다.

손실 함수는 교차 엔트로피와 감독 대조 손실을 α 비율로 가중합한다(식 8). 대조 손실은 같은 클래스 샘플을 양성 집합(P(i))으로, 다른 클래스를 음성 집합(A(i)\P(i))으로 정의해 온도 파라미터 τ를 통해 특성 공간에서 클래스 간 거리를 확대한다. 이는 레이더 신호가 서로 유사한 특성을 갖는 상황에서 분류 경계의 명확성을 높이는 역할을 한다.

데이터는 기존 64 GHz 데이터셋에 67 GHz 서브셋을 추가해 총 1000개의 샘플(각 주파수당 500개, 클래스당 50개)으로 구성하였다. 각 샘플은 20×20 MIMO 안테나 배열에서 400개의 가상 채널을 100개의 레인지 빈으로 FFT 변환한 복소수 행렬이다. 80/20 비율로 학습·테스트를 나누고, 10번의 랜덤 시드 실험을 평균해 결과의 안정성을 확보했다.

성능 면에서 ACCOR는 64 GHz에서 96.60 %, 67 GHz에서 93.59 %의 정확도를 기록했으며, 이는 기존 3D‑CNN 기반 모델(≈90 %)과 이미지 전이 모델(≈85 %)을 크게 앞선다. 주파수 대역이 바뀌어도 성능 저하가 미미한 점은 복소값 처리와 대조 학습이 주파수‑특이적 변동성을 완화한다는 증거다. Ablation 실험에서는 어텐션 레이어를 제거하면 정확도가 2~3 % 감소하고, 대조 손실을 제외하면 1.5 % 정도 감소함을 보여, 두 요소가 상호 보완적으로 작용함을 확인했다.

한계점으로는 데이터 규모가 아직 작아 실제 산업 현장에서의 일반화 검증이 부족하고, 실시간 추론을 위한 경량화가 필요하다는 점이다. 또한 복소값 연산이 현재 딥러닝 프레임워크에서 최적화가 덜 되어 있어 GPU 메모리와 연산량이 증가한다. 향후 연구에서는 더 다양한 물체와 포장 재질, 다중 객체 시나리오를 포함한 대규모 데이터셋 구축과, 복소값 트랜스포머 구조 도입을 통한 성능·효율성 향상을 모색할 수 있다.