[論文レビュー] Joint Embedding and Classification for SAR Target Recognition.

Jiayun Wang, Patrick Virtue+1 more|arXiv (Cornell University)|Dec 5, 2017

Advanced SAR Imaging Techniques被引用数 7

ひとこと要約

本論文は、SARターゲット認識におけるロバスト性と一般化性能を向上させるために、統合埋め込みと分類損失を提案する。埋め込み空間における特徴クラスタリングと最終的な分類精度の両方を最適化することで、特に分類層で埋め込み損失を適用した場合、MSTARデータセット上で優れた性能を達成し、学習された特徴空間におけるクラス間分離が明確になる。

ABSTRACT

Deep learning can be an effective and efficient means to automatically detect and classify targets in synthetic aperture radar (SAR) images, but it is critical for trained neural networks to be robust to variations that exist between training and test environments. The layers in a neural network can be understood to be successive transformations of an input image into embedded feature representations and ultimately into a semantic class label. To address the overfitting problem in SAR target classification, we train neural networks to optimize the spatial clustering of points in the embedded space in addition to optimizing the final classification score. We demonstrate that networks trained with this dual embedding and classification loss outperform networks with only a classification loss. We study placing the embedding loss after different network layers and and found that applying the embedding loss on the classification space results in the best the SAR classification performance. Finally, our visualization of the network's ten-dimensional classification space supports our claim that the embedding loss encourages a better embedding, namely greater separation between target class clusters for both training and testing partitions of the MSTAR dataset.

研究の動機と目的

• 訓練データとテストデータの間のドメインシフトに起因する過学習を是正すること。
• より良い特徴空間クラスタリングを促進することで、SAR画像認識における深層ニューラルネットワークの一般化性能を向上させること。
• 埋め込み損失をネットワークの異なる層に配置した場合の分類性能への影響を調査すること。
• 埋め込みと分類の両方を統合的に最適化することで、より判別力のある特徴表現が得られることを示すこと。

提案手法

• 交差エントロピー分類損失とコントラスト型埋め込み損失の二重損失関数を用いて深層ニューラルネットワークを訓練する。
• 最終分類層を含む、ネットワークのさまざまな層での特徴表現に埋め込み損失を適用する。
• コントラスト損失を用いて、埋め込み特徴空間におけるクラス間分離を最大化し、クラス内変動を最小化する。
• 分類損失と埋め込み損失を同時に最適化することで、ネットワークをエンドツーエンドに最適化する。
• 学習された10次元分類空間を可視化し、クラスタ構造と分離状態を分析する。
• SARターゲット認識のための標準指標を用いて、MSTARベンチマークデータセット上で性能を評価する。

実験結果

リサーチクエスチョン

• RQ1 分類のみの学習と比較して、埋め込み損失と分類損失を統合的に最適化することは、SARターゲット認識性能を向上させるか？
• RQ2 ネットワークアーキテクチャのどの層に埋め込み損失を適用すると、分類精度の向上が最も顕著か？
• RQ3 統合学習戦略は、埋め込み空間における特徴表現のクラスタ構造にどのように影響を与えるか？
• RQ4 埋め込み損失は、SAR画像の訓練データとテストデータの分布の違いを考慮した一般化性能を向上させられるか？
• RQ5 埋め込み損失の配置が、学習された特徴空間におけるクラス間分離に与える影響は何か？

主な発見

• 埋め込み損失と分類損失の両方を用いて訓練したネットワークは、分類損失のみで訓練したネットワークを上回る性能を示す。
• 分類層で埋め込み損失を適用した場合、全体的な分類性能が最も優れた結果を達成する。
• 可視化により、10次元特徴空間におけるクラス間分離が顕著に向上していることが確認された。
• 統合学習アプローチにより、MSTARデータセットの訓練およびテストパーティション間で、よりロバストで一般化可能な特徴表現が得られた。
• 埋め込み空間におけるターゲットクラスのクラスタリングが向上しており、判別力の向上が示唆される。