[論文レビュー] Comparative Analysis of Radar Cross Section Based UAV Classification Techniques

Martins Ezuma, Chethan Kumar Anjinappa+2 more|arXiv (Cornell University)|Dec 17, 2021

Advanced SAR Imaging Techniques被引用数 8

ひとこと要約

本研究では、15 GHzおよび25 GHzで稼働する6台の商業用ドローンを識別するために、統計的学習（SL）、機械学習（ML）、深層学習（DL）にまたがる15種類のラジアムクロスセクション（RCS）ベースの分類アルゴリズムを評価した。分類木MLモデルが、3 dB SNRで98.66%の最高精度と、平均分類時間0.46 msの最速の計算効率を達成し、低SNR条件下でもSLおよびDL手法を上回った。

ABSTRACT

This work investigates the problem of unmanned aerial vehicles (UAVs) identification using their radar crosssection (RCS) signature. The RCS of six commercial UAVs are measured at 15 GHz and 25 GHz in an anechoic chamber, for both vertical-vertical and horizontal-horizontal polarization. The RCS signatures are used to train 15 different classification algorithms, each belonging to one of three different categories: statistical learning (SL), machine learning (ML), and deep learning (DL). The study shows that while the classification accuracy of all the algorithms increases with the signal-to-noise ratio (SNR), the ML algorithm achieved better accuracy than the SL and DL algorithms. For example, the classification tree ML achieves an accuracy of 98.66% at 3 dB SNR using the 15 GHz VV-polarized RCS test data from the UAVs. We investigate the classification accuracy using Monte Carlo analysis with the aid of boxplots, confusion matrices, and classification plots. On average, the accuracy of the classification tree ML model performed better than the other algorithms, followed by the Peter Swerling statistical models and the discriminant analysis ML model. In general, the classification accuracy of the ML and SL algorithms outperformed the DL algorithms (Squeezenet, Googlenet, Nasnet, and Resnet 101) considered in the study. Furthermore, the computational time of each algorithm is analyzed. The study concludes that while the SL algorithms achieved good classification accuracy, the computational time was relatively long when compared to the ML and DL algorithms. Also, the study shows that the classification tree achieved the fastest average classification time of about 0.46 ms.

研究の動機と目的

• 機密領域における不正なドローン利用の増加に伴い、信頼性の高い対ドローン（C-UAV）システムの必要性に対応するため。
• 実際のレーダー信号対雑音比（SNR）条件のもとで、商業用ドローンを同定するRCSベースの分類技術の性能を評価するため。
• 測定されたRCSデータを用いて、統計的学習、機械学習、深層学習モデルの分類精度と計算効率を比較するため。
• 全360°カバーに比べ、限られた120°の方位RCSデータ（120°セグメント）が分類性能に与える影響を調査するため。
• 今後のC-UASおよび自動目標認識システム設計を支援するため、RCSベースのドローン分類の実証的ベンチマークを提供するため。

提案手法

• 6台の商業用ドローンのRCS測定を、15 GHzおよび25 GHzで、アンビエント・チェンバーを用いてVVおよびHHポーラリゼーションで実施した。
• 15種類の分類アルゴリズムを訓練およびテストした：5種類のSL（例：ガウス混合モデル、ピーター・スワーリングモデル）、5種類のML（例：分類木、SVM、kNN、判別分析）、5種類のDL（例：SqueezeNet、GoogLeNet、NASNet、ResNet101）。
• 10回のランでモンテカルロシミュレーションを実行し、SNRレベルを変化させ、ボックスプロット、混同行列、分類プロットを生成して性能を評価した。
• 信号対雑音比（SNR）を体系的に変化させ、実世界のレーダ環境で一般的な低SNR条件下での耐性を評価した。
• 10,000件のテストサンプルを対象に、1回あたりの平均推論時間を測定して、モデルの効率性を評価した。
• RCS入力を0°を中心とする120°セグメントに制限することで、限られたデータのシナリオをシミュレートし、全360°データとの性能を比較した。

実験結果

リサーチクエスチョン

• RQ1 統計的学習、機械学習、深層学習の各パラダイムは、15 GHzおよび25 GHzにおけるRCSシグネチャを用いてドローンを分類する際に、どのように性能を発揮するか？
• RQ2 信号対雑音比（SNR）は、RCSベースのドローン識別モデルの分類精度にどのような影響を及えるか？
• RQ3 全360°カバーに比べ、限られた方位120°セグメントからのRCSデータの可用性は、分類性能にどのような影響を及えるか？
• RQ4 どの分類アルゴリズムが、RCSベースのドローン認識における精度と計算効率の最良なトレードオフを達成するか？
• RQ5 モデルの複雑さとパラメータ推定手順は、SL、ML、DL分類器の計算時間にどのように影響を及えるか？

主な発見

• 分類木MLモデルが、15 GHz VVポーラリゼーションRCSデータを用いて、3 dB SNRで98.66%の最高分類精度を達成した。
• 分類木は平均分類時間0.46 msを記録し、他のすべてのモデルを上回る計算効率を示した。
• 統計的学習モデル（例：ピーター・スワーリング3および4）と判別分析MLモデルは、それぞれ2位および3位の精度を示し、特に低SNR条件下で優れた性能を発揮した。
• 深層学習モデル（SqueezeNet、GoogLeNet、NASNet、ResNet101）は、高SNRでもMLおよびSLモデルに劣り、一貫して性能が低かった。
• RCSデータが120°セグメントに制限された場合、全モデルの分類精度が低下し、分類木は5 dB SNRで100%から87.33%に低下した。
• 統計的学習モデルは平均分類時間が500 msを超えるほど遅く、主にMLEやEM法による計算コストの高いパラメータ推定に起因した。