딥러닝 기반 CFAR 알고리즘의 오경보 확률 조절을 위한 손실함수 설계

Abstract

Recently, many deep learning-based CFAR (Constant False Alarm Rate) detector schemes have been proposed to show good getector performance. However, these schemes do not consider how to control the false alarm rate and CFAR cannot be achieved. In this paper, we propose a loss function that introduces a regularization term including an adjustment coefficient for controlling the false alarm probability in a deep learning-based CFAR detection algorithm for radar. The proposed loss function able to properly control the false alarm probability of various deep learning-based CFAR detection algorithms. Additionally, for the deep learning-based CFAR detection algorithm, it is confirmed that the false alarm probability is kept constant regardless of the change in the SNR|지금까지 다양한 딥러닝 (Deep Learning) 기반 레이더용 CFAR (Constant False Alarm Rate) 검출 기법이 제안되어 좋은 성능을 보였지만, 실제로는 오경보 확률 (False Alarm Probability)을 조절할 수 없었기 때문에 CFAR 검출기로는 적절하지 못했다. 본 논문에서는 이러한 문제점을 해결하기 위하여 조정 계수 (Scale Factor)를 포함하는 정규화 항을 도입한 새로운 손실함수를 제안한다. 제안된 손실함수 (Loss Function)를 사용하여 다양한 딥러닝 기반 CFAR 검출 기법의 오경보 확률을 조절할 수 있음을 확인하고, 딥러닝 기반 CFAR 검출 기법이 SNR (Signal-to-Noise Ratio)의 변화에 상관없이 오경보 확률이 거의 일정하게 유지되는 CFAR의 기본 특성을 만족시키는 것을 확인하였다.