[論文レビュー] Learning from Natural Noise to Denoise Micro-Doppler Spectrogram

Chong Tang, Wenda Li+4 more|arXiv (Cornell University)|Feb 13, 2021

Anomaly Detection Techniques and Applications参考文献 31被引用数 9

ひとこと要約

本稿では、実世界のノイズ分布をGANを用いてモデル化することで、マイクロドップラースペクトログラム（MDS）のノイズ除去のための新規なディープラーニングフレームワークを提案する。このノイズは、実際の環境に存在する空間的・時間的相関を持つ自然なノイズを表現し、シミュレートされたクリアなMDSと組み合わせて、CNNノイズ除去器の学習に用いられる。本手法は、特にデータが少ない状況下でも、従来のノイズモデル（例：AWGN や MIXM）を大きく上回り、シミュレート済みおよび実測データの両方において優れた分類精度を示す。

ABSTRACT

Micro-Doppler analysis has become increasingly popular in recent years owning to the ability of the technique to enhance classification strategies. Applications include recognising everyday human activities, distinguishing drone from birds, and identifying different types of vehicles. However, noisy time-frequency spectrograms can significantly affect the performance of the classifier and must be tackled using appropriate denoising algorithms. In recent years, deep learning algorithms have spawned many deep neural network-based denoising algorithms. For these methods, noise modelling is the most important part and is used to assist in training. In this paper, we decompose the problem and propose a novel denoising scheme: first, a Generative Adversarial Network (GAN) is used to learn the noise distribution and correlation from the real-world environment; then, a simulator is used to generate clean Micro-Doppler spectrograms; finally, the generated noise and clean simulation data are combined as the training data to train a Convolutional Neural Network (CNN) denoiser. In experiments, we qualitatively and quantitatively analyzed this procedure on both simulation and measurement data. Besides, the idea of learning from natural noise can be applied well to other existing frameworks and demonstrate greater performance than other noise models.

研究の動機と目的

• 時間周波数スペクトログラムのノイズによるMDSベースのレーダーセンシングの性能劣化という課題に対処すること。
• 空間的・時間的ノイズ相関を反映しない人工的ノイズモデル（例：AWGN）の限界を克服すること。
• 実環境のノイズ分布を活用することで、一般化性能を向上させるデータ効率の良いノイズ除去フレームワークを開発すること。
• 自然なノイズからの学習が、特に訓練データが限られる状況下で分類器の性能を向上させることを示すこと。
• 提案手法を、シミュレート済みおよび実測MDSデータの両方で検証すること。

提案手法

• 実世界のMDSデータを用いてGANを学習させ、実環境に存在する複雑で空間的・時間的相関を持つノイズ分布を学習する。
• 別途、シミュレータがクリアなマイクロドップラースペクトログラムを生成し、学習のための真値として用いる。
• GANで生成されたノイズとシミュレートされたクリアなMDSを組み合わせ、ノイズ除去ネットワークのための合成的ペアドトレーニングデータセットを構築する。
• この合成データ上で、特にDnCNNアーキテクチャを用いた畳み込みニューラルネットワーク（CNN）を学習させ、ノイズが乗ったMDS入力からのノイズ除去を学習する。
• 無制限の合成トレーニングペアを用いたデータ拡張が可能となり、実環境ノイズに対してより頑健な性能が得られる。
• 分類精度を下流タスクの指標として用い、ベースラインとしてAWGNおよびMIXMノイズモデルを用いた手法と性能を比較する。

実験結果

リサーチクエスチョン

• RQ1 GANベースの手法は、マイクロドップラースペクトログラムにおける複雑な実世界ノイズ分布を効果的にモデル化できるか？
• RQ2 人工的ノイズモデル（例：AWGN）と比較して、自然にモデル化されたノイズを学習に用いることで、ノイズ除去性能が向上するか？
• RQ3 提案フレームワークは、実測データとシミュレート済みデータの両方でどのように性能を示すか？
• RQ4 訓練データセットが小さく制限されている状況下でも、本フレームワークは高い分類精度を維持できるか？
• RQ5 下流の分類タスクにおいて、ノイズ除去されたMDSの性能は、CAE や UNet といった最先端モデルと比較してどうか？

主な発見

• GANを用いた自然なノイズモデリング（MNM）を用いた本手法は、AWGN や MIXM ノイズを用いたベースライン手法よりも高い分類精度を達成し、特に信号対ノイズ比（SNR）が低い状況で顕著に優れた性能を示した。
• 実測スペクトログラムにおいても、MNMベースのDnCNNノイズ除去器は他のモデルを上回り、25 dB SNRで96.6%の分類精度を達成した（トレーニング/テスト分割比：0.6/0.4）。
• 低データ環境（例：0.6/0.4の分割比）下でも、MNMベースのフレームワークは優れた性能を維持し、15 dB SNRで94.4%の分類精度を達成した。これは、AWGN や MIXM ベースラインを著しく上回った。
• ノイズレベルの変動にかかわらず、-10 dB から 25 dB SNR の範囲で一貫した精度向上を示し、多様な条件下でも有効性が確認された。
• MNMベースのノイズ除去器は、0.8/0.2の分割比で10 dB SNRでピークの97.0%の分類精度を達成し、次に優れた手法（MIXMを用いたUNet）を2.5ポイント以上上回った。
• 結果から、実際のノイズ分布からの学習が、特に訓練データが限られる状況下で一般化性能と性能を向上させることを確認した。