[論文レビュー] Classification of polarimetric SAR images using compact convolutional neural networks

Mete Ahishali, Serkan Kıranyaz+2 more|arXiv (Cornell University)|Apr 26, 2022

Synthetic Aperture Radar (SAR) Applications and Techniques参考文献 47被引用数 24

ひとこと要約

本論文は、手動による特徴抽出を回避するスライディングウィンドウ手法を用いて、偏光SAR（PolSAR）画像分類のためのコンactで適応可能な畳み込みニューラルネットワーク（CNN）を提案する。この手法は、最小限の学習データ（0.1%未満）と低コストの計算負荷で高い精度（最大99.39%）を達成し、標準的なハードウェアでもリアルタイム処理が可能であり、小さなウィンドウサイズ（7×7から19×19）でも動作する。

ABSTRACT

Classification of polarimetric synthetic aperture radar (PolSAR) images is an active research area with a major role in environmental applications. The traditional Machine Learning (ML) methods proposed in this domain generally focus on utilizing highly discriminative features to improve the classification performance, but this task is complicated by the well-known ?curse of dimensionality? phenomena. Other approaches based on deep Convolutional Neural Networks (CNNs) have certain limitations and drawbacks, such as high computational complexity, an unfeasibly large training set with ground-truth labels, and special hardware requirements. In this work, to address the limitations of traditional ML and deep CNN-based methods, a novel and systematic classification framework is proposed for the classification of PolSAR images, based on a compact and adaptive implementation of CNNs using a sliding-window classification approach. The proposed approach has three advantages. First, there is no requirement for an extensive feature extraction process. Second, it is computationally efficient due to utilized compact configurations. In particular, the proposed compact and adaptive CNN model is designed to achieve the maximum classification accuracy with minimum training and computational complexity. This is of considerable importance considering the high costs involved in labeling in PolSAR classification. Finally, the proposed approach can perform classification using smaller window sizes than deep CNNs. Experimental evaluations have been performed over the most commonly used four benchmark PolSAR images: AIRSAR L-Band and RADARSAT-2-C-Band data of San Francisco Bay and Flevoland areas. Accordingly, the best obtained overall accuracies range between 92.33-99.39% for these benchmark study sites.

研究の動機と目的

• PolSAR分類におけるディープCNNの高い計算複雑性とデータ要件に対処すること。
• 手動で高次元の特徴工学を必要とする従来の機械学習手法の限界を克服すること。
• 最小限のラベル付き学習データと低計算オーバーヘッドで正確なPolSAR分類を可能にすること。
• 異なるPolSARデータセットおよびウィンドウサイズにおいて、強靭性と一般化能力を示すこと。
• 専用のハードウェアや広範な前処理を必要としないことで、リアルタイム処理を実現すること。

提案手法

• 計算負荷を最小限に抑えるために、共有重みとパラメータ数を削減した4層のコンパクトで適応可能なCNNアーキテクチャを提案する。
• 7×7から19×19ピクセルの小さな画像パッチを直接2次PolSAR記述子から処理するスライディングウィンドウ分類手法を採用する。
• 手動による特徴抽出を一切行わず、エンドツーエンド学習により特徴抽出と分類を統合的に処理する。
• マルチルックコherェンシーマトリクスと偏光記述子（例：SPAN、ポールィ分解）を入力チャネル（3〜6チャネル）として用い、物理的散乱情報を保持する。
• 限定的なラベル付きデータ上で効率的に学習するため、適応的学習を用いた誤差逆伝播を適用する。
• ハイパーパramータチューニング（ニューロンおよび層の乗数）を用いてモデルの強靭性を評価し、過学習を回避する。

実験結果

リサーチクエスチョン

• RQ1 コンパクトなCNNは、最小限のラベル付き学習データでPolSAR画像に対して高い分類精度を達成できるか？
• RQ2 従来の機械学習手法およびディープCNNと比較して、計算効率とデータ要件の点で本手法はどのように異なるか？
• RQ3 コンパクトCNNを用いた正確なPolSAR分類に最適なウィンドウサイズは何か？
• RQ4 異なるPolSARデータセット（例：サンフアンシエゴベイ、フラーヴォランド）間で、クロスサイト検証を用いて一般化できるか？
• RQ5 ネットワークの深さや幅（ハイパーパramータ）の変化に対して、モデルの性能はどれほど感度を示すか？

主な発見

• 提案されたコンパクトなCNNは、4つのベンチマークPolSARデータセット（サンフアンシエゴベイおよびフラーヴォランドのAIRSAR LバンドおよびRADARSAT-2 Cバンド）で、全体精度（OA）が92.33%から99.39%の間で達成された。
• SFBay_Lで最も高い性能を示し、99.39%のOAを達成した。この際、4チャネル入力と21×21のウィンドウサイズが最適であった。
• クロスサイト検証においても良好な一般化性能を示し、Flevo_Cで学習したモデルがFlevo_Lで88.11%のOAを達成した。この際、統合された耕地クラスを含む状況でも同様の結果を示した。
• 学習に必要なデータ量は全データの0.1%未満であり、ラベル付けコストとデータ依存性を顕著に低減した。
• ネットワークの深さや幅を増加させること（例：m=8、n=1またはn=2）により、過学習と収束不良が生じ、コンパクトさが安定性にとって不可欠であることが示された。
• 7×7から19×19のウィンドウサイズの範囲で高い精度を維持したため、小さなパッチサイズに対しても強靭であることが実証された。