해양 음향 기반 이벤트 탐지 및 이상 위치추정 그래프 딥러닝 연구

Graph deep learning for underwater acoustic event detection and anomaly localization

연구 내용

해양 음향 신호를 그래프 표현으로 변환하고 약한 라벨과 다중 해상도 정보를 활용하여 이벤트 탐지와 이상 위치추정 성능을 향상시키는 연구

제한된 정답 라벨 환경에서도 해양 음향의 스펙트럼-시간 의존성을 안정적으로 모델링하기 위해 그래프 신경망 기반 처리 절차를 구성합니다. 신호를 그래프로 구성한 뒤 GCN, T-GCN, Tensor Factorized Neural Network 등 구조화된 모델을 적용하여 스펙트럼 상관과 시간 변화를 동시에 학습합니다. 또한 약한 지도에서 발생하는 마스크 오류 영향을 줄이기 위해 약한 감독 학습과 확률밀도 기반 이상 탐지(encoding and decoding 기반 normalizing flows) 관점을 결합합니다. 이를 통해 선형 스펙트럼 특성 추출과 이벤트/엔진 사운드 분류를 동일한 신호처리 파이프라인 안에서 수행하는 점이 차별성입니다.

관련 프로젝트

3건

연구 흐름

초기에는 2023년 기준으로 spectrogram과 시간 정보를 함께 입력하여 T-GCN 구조로 해양 음향 이벤트 탐지의 연속성을 확보하는 연구를 수행합니다. 같은 시기에 이미지 기반 이상 탐지를 위해 encoding과 decoding 네트워크를 포함한 normalizing flows를 제안하여 확률 기반 국소화 프레임을 구축합니다. 이후 2025년에는 스펙트로그램 패치를 그래프로 분할하고 weak labels를 활용하는 GCN 기반 선형 스펙트럼 추출로 학습 안정성을 개선합니다. 또한 다중 창 크기에서 얻은 multi-resolution spectrogram을 tensor로 구성하고 TFNN으로 분류 성능을 확장하는 방향으로 연구를 발전시킵니다.

활용 가능성

활용 가능성은 알앤디써클 특화 AI 에이전트가 생성한 내용으로, 실제 연구 가능 여부는 연구실과의 논의가 필요합니다.

패시브 소나 이벤트 탐지
해양 선박 엔진 사운드 분류
선형 스펙트럼 기반 특징 추출
약한 라벨 학습을 통한 라벨 비용 절감
이상 탐지 기반 수중 상황 인지
다중 해상도 스펙트럼 융합
실시간 스트림 처리 파이프라인
환경 변화에 강한 음향 모델링
감시 및 정찰용 자동 분류
수중 음향 데이터 품질 진단