Radar Target Detection in Cluttered Environments using Faster R-CNN

레이더 표적 탐지에서는 정확한 위치 추정과 더불어 클러터 환경에서의 안정적인 탐지 성능이 매우 중요하다. 본 논문에서는 기존의 CFAR 탐지기법과 딥러닝 기반 Faster R-CNN 탐지기법의 성능을 R-V 도메인에서 비교 분석하였다. 특히 클러터 환경에서의 탐지 성능을 중점적으로 평가하여, Faster R-CNN이 CFAR 대비 우수한 성능을 보임을 실험적으로 입증하였다. CFAR는 고정된 임계치 사용으로 인해 클러터 환경에서 표적 탐지에 취약한 반면, Faster R-CNN은 클러터가 존재하는 복잡한 환경에서도 안정적인 탐지 성능을 보였다. 제안된 Faster R-CNN모델은 경량화된 인코더 구조를 사용하여 연산 효율성을 높였으며, VGG16 모델로부터의 지식 증류 기법을 통해 경량화에 따른 성능 저하를 최소화하였다. 실험 결과, 클러터에 따른 다양한 환경에서 Faster R-CNN이 CFAR 대비 뛰어난 탐 지 성능을 보였으며, 특히 클러터가 심한 환경에서도 안정적인 탐지 정확도를 유지하였다.