[論文レビュー] Graph Neural Network for Accurate and Low-complexity SAR ATR

Bingyi Zhang, Sasindu Wijeratne+3 more|arXiv (Cornell University)|May 11, 2023

Advanced SAR Imaging Techniques被引用数 4

ひとこと要約

本稿では、合成開口レーダー（SAR）自動標的識別（ATR）のためのグラフニューラルネットワーク（GNN）ベースの手法を提案する。MSTARおよび船舶識別データセットにおいて、それぞれ99.38%および99.7%の精度を達成し、最先端のCNNと比較して計算コストを1/3000、モデルサイズを1/80にまで削減した。手法はSAR画像をスパースなグラフに変換し、頂点および特徴量の注目機構を備えたGNNを適用し、入力および重みのプルーニングを用いて複雑性を著しく低減しながら精度を維持する。

ABSTRACT

Synthetic Aperture Radar (SAR) Automatic Target Recognition (ATR) is the key technique for remote sensing image recognition. The state-of-the-art works exploit the deep convolutional neural networks (CNNs) for SAR ATR, leading to high computation costs. These deep CNN models are unsuitable to be deployed on resource-limited platforms. In this work, we propose a graph neural network (GNN) model to achieve accurate and low-latency SAR ATR. We transform the input SAR image into the graph representation. The proposed GNN model consists of a stack of GNN layers that operates on the input graph to perform target classification. Unlike the state-of-the-art CNNs, which need heavy convolution operations, the proposed GNN model has low computation complexity and achieves comparable high accuracy. The GNN-based approach enables our proposed \emph{input pruning} strategy. By filtering out the irrelevant vertices in the input graph, we can reduce the computation complexity. Moreover, we propose the \emph{model pruning} strategy to sparsify the model weight matrices which further reduces the computation complexity. We evaluate the proposed GNN model on the MSTAR dataset and ship discrimination dataset. The evaluation results show that the proposed GNN model achieves 99.38\% and 99.7\% classification accuracy on the above two datasets, respectively. The proposed pruning strategies can prune 98.6\% input vertices and 97\% weight entries with negligible accuracy loss. Compared with the state-of-the-art CNNs, the proposed GNN model has only 1/3000 computation cost and 1/80 model size.

研究の動機と目的

• 小型衛星などのリソース制限のあるプラットフォームへの実装を念頭に、SAR ATRにおける深層CNNの高コストな計算と大きなメモリ使用量を低減すること。
• SAR画像のスパarsity（特に標的領域に属するピクセルの割合が小さいこと）を活用し、計算負荷を低減すること。
• グラフ表現を用いて構造的および特徴量的情報を効果的に活用する、低複雑性で高精度なGNNモデルをSAR ATR用に開発すること。
• 精度損失を最小限に抑えて計算コストとモデルサイズをさらに削減するための入力およびモデルプルーニング戦略を提案すること。
• 注目機構を備えたGNNアーキテクチャを用いて、MSTARおよび船舶識別データセットで最先端の性能を示すことを実証すること。

提案手法

• 標的ピクセルを抽出し、空間的近接性（例：8近傍接続）に基づいて接続することで、SAR画像をグラフに変換する（頂点と辺を形成する）。
• 隣接頂点からの特徴量を集約することでノードレベルの表現を学習する、GraphSAGEベースのGNN層をスタックする。
• 重要度を動的に評価するための頂点注目機構と特徴量注目機構を統合し、分類精度の向上を図る。
• 信号強度が閾値$I_v$未満の頂点を削除することで入力プルーニングを実装し、入力サイズと計算量を削減する。
• GNN層内の重みエントリのうち、絶対値が閾値$I_w$未満のものを削除することで重みプルーニングを実施し、モデルサイズと推論コストを低減する。
• 2段階のトレーニングとプルーニングパイプラインを採用：まずフルモデルを訓練し、その後、冗長な頂点および重みを閾値を用いて削除する。

実験結果

リサーチクエスチョン

• RQ1 GNNベースのモデルは、最先端のCNNと同等またはそれ以上の精度を達成しつつ、計算コストを著しく低減できるか？
• RQ2 信号強度に基づく入力プルーニングは、モデル性能を劣化させることなく計算負荷をどの程度低減できるか？
• RQ3 重みプルーニングは、精度損失を最小限に抑えつつ、どの程度モデルサイズと推論複雑性を削減できるか？
• RQ4 頂点注目と特徴量注目機構は、GNNベースのSAR ATRモデルにおける分類精度向上にどのように寄与するか？
• RQ5 提案手法のGNNモデルは、事前学習を行わずに船舶識別データセットにおける少数ラベル学習（few-shot learning）状況でも良好に一般化できるか？

主な発見

• 提案されたGNNモデルは、MSTARデータセットで99.38%、船舶識別データセットで99.7%の分類精度を達成し、ベースラインのCNNを上回る精度と効率性を示した。
• 入力プルーニングを$I_v = 0.2$で実施した場合、入力頂点の98.6%が削除されたが、精度は98.5%を維持した。これはスパarsityの有効な活用を示している。
• 重みプルーニングを$I_w = 10^7$で実施した場合、重みエントリの97%が削除されたが、精度に変化はなく、モデル重みの高い冗長性を示している。
• 頂点注目と特徴量注目を併用した場合、99.38%の精度を達成した。一方、頂点注目のみでは99.26%、特徴量注目のみでは98.51%であった。
• 少数ラベル学習では、提案モデルはすべてのラベル数設定（$K = 1$から$10$）において事前学習済みCNNベースラインを上回り、$K=5$で最大99.7%の精度を達成した。
• 提案されたGNNモデルは、最先端のCNNと比較して計算コストを3000分の1、モデルサイズを80分の1にまで削減でき、低消費電力プラットフォームへのデプロイを可能にした。