FMCW 레이더 기반 TCN·채널 어텐션 신경망을 이용한 손동작 인식 시스템 경량화 연구 = A Study on a Lightweight Hand Gesture Recognition System Using an FMCW Radar?Based TCN and Channel-Attention Neural Network

다국어 초록 (Multilingual Abstract)

In this thesis, a lightweight hand-gesture recognition method using a frequency-modulated continuous-wave （FMCW） radar is proposed. The goal of the proposed method is to minimize computational complexity and memory usage while maintaining high recognition performance. Whereas previous studies commonly rely on two- or three-dimensional features combined with heavy neural network architectures—resulting in significant computational cost—this work instead extracts four components—range, Doppler, azimuth, and elevation—as simple one-dimensional time-series features. These extracted features are fed into a neural network composed of a multi-branch Temporal Convolutional Network （TCN）, depthwise separable（DS） convolutions, and an efficient channel attention mechanism to enhance gesture classification performance. The proposed system is evaluated on nine types of hand gestures collected from nine participants, achieving a high classification accuracy of 99.38% with only about 44.6k parameters and 1.84M FLOPs. Various ablation studies and comparison experiments demonstrate that the proposed approach effectively balances performance and computational efficiency. The experimental results further confirm that one-dimensional features alone are sufficient to represent and recognize hand gestures. These findings suggest that the proposed method is practical for deployment in resource-constrained environments such as embedded systems.

국문 초록 (Abstract)

본 논문에서는 주파수 변조 연속파 레이더를 이용한 경량 손동작 인식 기법을 제안한다. 제안 기법은 연산 복잡도와 메모리 사용량을 최소화하면서도 높은 인식 성능을 유지하는 것을 목표로 한다. 기존 연구들은 주로 2차원 또는 3차원 특성과 복잡한 신경망 구조를 결합하여 높은 계산 비용을 야기하는 반면, 본 논문에서는 거리, 도플러, 방위각, 고각의 네 가지 성분을 1차원 시계열 특징으로 단순 추출하여 활용한다. 이렇게 추출된 특징은 다중 분기 구조의 TCN（Temporal Convolutional Network）, depthwise separable（DS） 합성곱, 채널 어텐션 메커니즘으로 구성된 신경망에 입력되어 손동작 분류 성능을 향상시킨다. 제안 시스템은 9명의 참가자로부터 수집된 9종의 손동작 데이터를 대상으로 평가되었으며, 약 44.6k개의 파라미터와 1.84M FLOPs라는 매우 낮은 복잡도로 99.38%의 높은 분류 정확도를 달성하였다. 또한, 다양한 절제 연구 및 기존 방법과의 비교 실험을 통해 제안 기법이 성능과 연산 효율 사이의 균형을 효과적으로 달성함을 확인하였다. 이를 통해 1차원 특징만으로도 손동작을 충분히 표현하고 인식할 수 있음을 실험적으로 검증하였으며, 제안 방법은 임베디드 시스템과 같이 자원 제약이 있는 환경에서도 실용적으로 적용 가능함을 시사한다.

목차 (Table of Contents)

• 제1장 서론 8
• 제2장 제안하는 특징 추출 방법 10
• 제3장 제안하는 신경망 10
• 제4장 실험 및 결과 11
• 1. 실험 조건 및 학습 구성 11
• 2. 절제 연구 12
• 3. 비교 실험 14
• 4. 피험자 독립적 교차 검증 15
• 5. 임베디드 실시간 추론 성능 평가 15
• 제5장 결론 16
• 참고 문헌 17