Diffusion Model-based In-vehicle Noise Augmentation through Expert Knowledge-guided Clustering

차량 운행의 안전성과 사용자 경험 향상을 위해, 차량 내 소음을 정확히 분류하고 이를 기반으로 성능 이상을 사전에 예측하는 기술이 중요하다. 그러나 기존 딥러닝 기반 분류기는 외부 잡음, 내부 반향음 등 복잡한 음향 환경에서 성능 저하를 보인다. 본 논문에서는 이러한 문제를 해결하기 위해, 확산 모델 기반 신호 증강으로 복잡한 차량 내 음향 환경을 모사하고, 신호–라벨 간 상관관계를 강화하는 데이터 증강 기법과 전문가 지식 기반 군집화 기법을 결합한 새로운 차량 소음 분류 기법을 제안한다. 제안한 방법은 다양한 소음 조건을 반영한 합성 데이터를 생성하고, 전문가 정의에 따른 군집화 기반 라벨링을 통해 실제 환경을 반영한 학습 데이터를 구성함으로써 분류 성능을 향상시킨다. 실험 결과, 본 방법은 최신 딥러닝 기반 분류기 대비 99.60%의 정확도를 달성했으며, 기존 생성 모델 기반 증강보다 0.06%p 높은 성능을 보여 그 효용성을 입증하였다.