[論文レビュー] Mitigation of Through-Wall Distortions of Frontal Radar Images using Denoising Autoencoders

Shelly Vishwakarma, Shobha Sundar Ram|arXiv (Cornell University)|Mar 22, 2019

Geophysical Methods and Applications参考文献 42被引用数 29

ひとこと要約

本稿では、壁のパラメータや伝搬モデルに関する事前知識が不要な、交替方向乗数法（ADMM）に基づくノイズ除去オートエナコーダー（DAE）を提案する。多様な壁内および自由空間のレーダー画像ペアを用いて訓練されたDAEは、静的および動的人の前面レーダー画像を効果的に復元し、クリアな参照画像と比較して高い構造的類似性と低い平均二乗誤差を達成した。

ABSTRACT

Radar images of humans and other concealed objects are considerably distorted by attenuation, refraction and multipath clutter in indoor through-wall environments. While several methods have been proposed for removing target independent static and dynamic clutter, there still remain considerable challenges in mitigating target dependent clutter especially when the knowledge of the exact propagation characteristics or analytical framework is unavailable. In this work we focus on mitigating wall effects using a machine learning based solution -- denoising autoencoders -- that does not require prior information of the wall parameters or room geometry. Instead, the method relies on the availability of a large volume of training radar images gathered in through-wall conditions and the corresponding clean images captured in line-of-sight conditions. During the training phase, the autoencoder learns how to denoise the corrupted through-wall images in order to resemble the free space images. We have validated the performance of the proposed solution for both static and dynamic human subjects. The frontal radar images of static targets are obtained by processing wideband planar array measurement data with two-dimensional array and range processing. The frontal radar images of dynamic targets are simulated using narrowband planar array data processed with two-dimensional array and Doppler processing. In both simulation and measurement processes, we incorporate considerable diversity in the target and propagation conditions. Our experimental results, from both simulation and measurement data, show that the denoised images are considerably more similar to the free-space images when compared to the original through-wall images.

研究の動機と目的

• 減衰、屈折、マルチパスクラッターによって引き起こされる壁内レーダー画像の歪みを是正すること。
• 壁の特性や解析的伝搬モデルに関する事前知識が不要な機械学習ソリューションを開発すること。
• 壁内と自由空間のデータペアのみを用いて、堅牢な画像復元を可能にすること。
• ADMMに基づく最適化により、高速収束とリアルタイム適用性を確保すること。

提案手法

• 壁内および視線内（自由空間）のレーダー画像ペアを入力と出力として、ノイズ除去オートエナコーダーを訓練した。
• トレーニングの高速化と収束の保証のため、ADMMに基づく最適化フレームワークを採用した。
• 静的ターゲットには広帯域平面アレイデータを、動的ターゲットには狭帯域データにドップラー処理を適用した。
• FDTDシミュレーションにおいてランダムな変動を組み込んで、多様な壁パラメータ（誘電率、導電率、補強材、空隙）をモデル化した。
• 2次元アレイおよび距離/ドップラー処理を用いて、生レーダーデータから前面レーダー画像を生成した。
• 隠れ層サイズや活性化関数（線形、tanh、シグモイド）といったハイパーパramータを、実証的評価により最適化した。

実験結果

リサーチクエスチョン

• RQ1 事前知識がなくとも、深層学習モデルは前面レーダー画像の壁内歪みを効果的に低減できるか？
• RQ2 ノイズ除去オートエナコーダーは、多様な壁タイプやターゲット状態に一般化してうまく機能するか？
• RQ3 ADMMに基づくトレーニングは、標準的なバックプロパゲーションと比較して、より高速な収束とリアルタイムデプロイメントを可能にするか？
• RQ4 活性化関数や隠れ層サイズの違いが、モデルのパフォーマンスにどのように影響するか？
• RQ5 自由空間と壁内の画像ペアにおけるラベル不一致に対して、モデルはどの程度耐性を示すか？

主な発見

• ノイズ除去後の画像は、元の壁内画像と比較して、正規化平均二乗誤差（NMSE）が著しく低く、構造的類似性（SSIM）が高かった。
• シミュレーションデータでは、線形活性化関数が非線形関数（tanh、シグモイド）を上回った。これは、データの狭帯域性が要因である可能性がある。
• 500個の隠れノードを用いた場合、シミュレーションでSSIMが収束し、効果的なノイズ除去に十分な容量であることが示された。
• 実測データでは、1500個の隠れノードを用いた場合、SSIMが1.0に近づき、シグモイド関数が最も優れたパフォーマンスを示した。
• テスト時の推論時間は低く抑えられ（500MB未満のメモリ使用）、Raspberry Pi 3以降でも実現可能であり、リアルタイムデプロイメントが可能であった。
• モデルは、壁固有のチューニングなしに、多様な壁状態やターゲットの変動に対して堅牢であった。