공군의 공대지 작전에서 지상의 물체를 정확하게 식별하는 것은 매우 중요하다. 그러나, 임무 특성상 대부분 높은 고도에서 임무를 수행하기 때문에 조종사가 육안으로 표적을 정확하게 식별하는 것은 어렵고, 구름이나 안개와 같은 기상조건으로 인해 시야가 더욱 제한된다. 이를 극복하기 위해서 항공기에 장착된 SAR(Synthetic Aperture Radar)를 사용하여 영상을 획득하고, 그 해상도를 개선하여 자동으로 표적을 분류하는 SAR-ATR(Automatic Target Recognition) 시스템이 개발되었다.
SAR-ATR 시스템은 인간의 개입 없이도 표적을 자동으로 식별 및 분류하는 것이 가능한 시스템으로서 최근에는 Deep-learning을 활용하여 그 성능을 개선하기 위한 연구가 활발히 이루어지고 있다(1),(2). 딥러닝을 활용한 시스템의 성능을 높이기 위해서는 학습
시 많은 양의 데이터가 필요하지만, 군사적 물체에 대한 SAR 이미지는 많은 양의 데이터를 확보하는 것이 매우 어렵다.
본 논문에서는 메타러닝 (meta-learning)과 데이터 확장 (data augmentation) 기법을 활용하여 SAR-ATR 시스템의 표적 분류 성능을 개선할 수 있는 알고리즘을 제안한다. 우선, 분류할 클래스의 종류가 적고, 각 클래스에 따라 공개된 데이터의 양이 적다는 점을 극복하기 위해서 CycleGAN(4)을 활용하여 학습 데이터의 양을 늘렸다. 또한, 학습하는 방법을 학습한다는 ‘Learning to Learn’ 개념을 도입하여 적은 양의 데이터만으로도 높은 성능을 얻을 수 있는 메타러닝 기법중 하나인 Prototypical Network(3)을 활용하여 표적 분류 성능을 높였다.