고해상도 서브 도 단위 DOA 추정을 위한 시그모이드 레이블 기반 CNN-트랜스포머
CNN-Transformer with Sigmoid Label for High-Resolution Sub-Degree DOA Estimation
본 논문에서는 딥러닝(DL) 기반 도착각(DOA) 추정의 그리드 양자화(quantization) 오류 문제를 다룹니다. 분류(classification) 기반 DOA 기법은 연속적인 각도 공간을 그리드로 이산화하므로, 피크 기반 판독 시 정확도와 해상도가 그리드 간격 및 레이블 피크의 폭에 의해 제한됩니다. 이러한 문제를 해결하기 위해, 신호원의 DOA를 각도 이동된 단조 시그모이드(sigmoid) 함수의 합으로 인코딩하는 시그모이드 레이블을 제안합니다. 시그모이드 레이블로 학습된 CNN-트랜스포머(Transformer) 네트워크의 출력을 미분하면 신호원 DOA 위치에서 날카로운 스펙트럼 피크가 생성됩니다. 적절히 세분화된 0.25도 그리드 간격과 결합하여, 제안된 시그모이드 레이블 기반 CNN-트랜스포머는 1도 미만의 서브 도(sub-degree) 정확도와 1도 해상도를 달성하여 그리드 양자화 오차의 한계를 극복합니다. 통합된 CNN-트랜스포머 백본 하에서 제안하는 시그모이드 레이블을 가우시안 레이블, 0-1 하드 레이블 및 이진 교차 엔트로피(BCE) 기준선(baseline)과 비교합니다. 수치 실험 결과는 시그모이드 레이블이 다른 레이블들에 비해 가장 높은 정확도와 우수한 해상도를 달성함을 입증합니다.