DIAT-μ RadHAR (마이크로 도플러 서명 데이터셋) 및 μ RadNet (경량 DCNN)—인간의 의심스러운 활동 인식을 위한 연구

국가안보 관점에서, 레이더 미세도플러(m-D) 서명을 기반으로 한 의심스러운 인간 행동 인식은 점점 더 중요성이 부각되고 있다. 특히 국경 지역, 보호 구역, 보안 구역, 경비 구역 및 민간 폭력 시위 등에서 테러 활동의 조기 탐지 및 경보는 필수적이다. 이러한 맥락에서, 군인 기어가기, 군인 조깅, 총을 든 상태에서 점프하기, 군인 행진, 복싱, 돌 던지기 또는 폭발물 투척과 같은 의심스러운 인간 행동을 자동으로 인식하기 위해 적합한 깊은 합성곱 신경망(DCNN) 모델을 설계하는 연구는, 그 내재된 심층 특징 추출 능력 덕분에 급속히 성장하고 있다. 본 연구에 추가적인 가치를 부여하기 위해, 우리 레이더 시스템 실험실에서 X대역 연속파(CW) 10GHz 레이더를 개발하여, 위에서 언급한 의심스러운 행동들에 대한 m-D 서명을 측정하고, 이를 기반으로 데이터셋(DIAT-μRadHAR)을 구축하였다. 현실적인 데이터셋을 구축하기 위해, 키, 체중, 성별이 다른 인간 타겟들이 레이더 앞에서 10m ~ 0.5km의 다양한 거리와 타겟 전방 각도(0°, ±15°, ±30°, ±45°)에서 각각의 의심 행동을 수행하도록 유도하였다. 또한, 준비된 DIAT-μRadHAR 데이터셋(총 3,780개 샘플)을 기반으로 경량 DCNN 아키텍처(μRadNet)를 설계하고 훈련시켰다. μRadNet의 성능과 인식 정확도는 통계적으로 계산되었으며, 최신 기술(SOTA) CNN 모델들과 비교 분석되었다. 그 결과, μRadNet DCNN 모델은 전반적인 분류 정확도 99.22%, 파라미터 수 0.09M, 부동소수점 연산량(FLOPs) 0.40G를 기록하며 SOTA CNN 모델들을 초월하였으며, 오분류율(거짓 음성/양성) 또한 극히 낮은 수준을 유지하였다. 설계된 경량 μRadNet DCNN 모델의 시간 복잡도는 0.12초로, 이는 본 DCNN 모델이 실시간 장치 내 구현에 적합함을 입증한다.