[論文レビュー] Moving target inference with hierarchical Bayesian models in synthetic aperture radar imagery

Gregory E. Newstadt, Edmund G. Zelnio+1 more|arXiv (Cornell University)|Feb 19, 2013

Advanced SAR Imaging Techniques参考文献 27被引用数 3

ひとこと要約

本稿では、合成開口レーダー（SAR）画像における移動標的の推定のための階層ベイズモデルを提案する。このモデルは、クラッタ、アパートンの不整合、スぺークルなどの雑音要因を含めた標的状態と雑音パラメータを、統一された確率的枠組みで同時に推定する。共役事前分布とマルコフ連鎖モンテカルロ（MCMC）サンプリングを活用することで、最小限のチューニングで完全にデータ駆動の推定が可能となり、合成および実測SARデータセットの両方で最先端のアルゴリズムを上回る性能を示した。

ABSTRACT

In synthetic aperture radar (SAR), images are formed by focusing the response of stationary objects to a single spatial location. On the other hand, moving targets cause phase errors in the standard formation of SAR images that cause displacement and defocusing effects. SAR imagery also contains significant sources of non-stationary spatially-varying noises, including antenna gain discrepancies, angular scintillation (glints) and complex speckle. In order to account for this intricate phenomenology, this work combines the knowledge of the physical, kinematic, and statistical properties of SAR imaging into a single unified Bayesian structure that simultaneously (a) estimates the nuisance parameters such as clutter distributions and antenna miscalibrations and (b) estimates the target signature required for detection/inference of the target state. Moreover, we provide a Monte Carlo estimate of the posterior distribution for the target state and nuisance parameters that infers the parameters of the model directly from the data, largely eliminating tuning of algorithm parameters. We demonstrate that our algorithm competes at least as well on a synthetic dataset as state-of-the-art algorithms for estimating sparse signals. Finally, performance analysis on a measured dataset demonstrates that the proposed algorithm is robust at detecting/estimating targets over a wide area and performs at least as well as popular algorithms for SAR moving target detection.

研究の動機と目的

• 位相誤差、クラッタ、スぺークルやグリントなどの非定常ノイズ源によって複雑化するSAR画像における移動標的の検出と推定の課題に対処する。
• 物理的・運動論的・統計的事前分布を組み込んだ統一ベイズモデルを用いて、標的状態と雑音パラメータ（例：クラッタ分布、アパーチャー利得、位相誤差）を同時に推定する。
• マルコフ連鎖モンテカルロ（MCMC）サンプリングによりハイパーパrameterをデータから直接推定することで、手動によるチューニングを最小限に抑えた完全なデータ駆動型推定フレームワークを構築する。
• クラッタおよびノイズ成分の空間的変動する統計的性質とコherー二ティをモデル化することで、広域SAR画像における移動標的検出のロバスト性と精度を向上させる。

提案手法

• SAR画像データを背景クラッタ、標的シグナル、スぺークル、グリント、キャリブレーション誤差、加法的ノイズに分解する階層ベイズモデルを構築し、それぞれに異なる統計的分布を割り当てる。
• クラッタとノイズを空間的に変動する複素正規分布としてモデル化し、効率的な事後分布サンプリングを可能にするために共役事前分布（逆ウィシャート分布およびベータ分布）をハイパーパrameterに用いる。
• 空間的変動するピクセル統計に基づいてオブジェクトクラス（例：植生、建物）の割り当てを推定するために、多項分布-ディリクレ共役ペアを用いる。
• 条件付き共役性を活用して、共起性パラメータ（ρ）と相関行列（Γρ）をメトロポリス・ハスティングス法で同時に事後分布サンプリングする共同事後分布サンプリング戦略を実装する。
• スパース信号モデルを用いて移動標的を表現し、インジケータ変数 δf,iM(p) を用いて標的の存在を表す。スパarsityと適応性を確保するため、ベータ＝ベルヌーイ事前分布を用いる。
• モンテカルロ法を用いて標的状態と雑音パラメータの完全な事後分布を計算し、固定されたアルゴリズム的チューニングに依存しない。

実験結果

リサーチクエスチョン

• RQ1 最小限のユーザーチューニングで、SAR画像において移動標的状態と雑音パラメータ（例：クラッタ、キャリブレーション誤差）を統一ベイズモデルで同時に推定する方法は何か？
• RQ2 階層ベイズモデリングは、空間的に変動するノイズおよびクラッタを持つ多様なSARシーンにおいて、移動標的検出のロバスト性をどの程度向上させ得るか？
• RQ3 提案手法は、合成および実世界のSARデータの両方において、スパースな移動標的を検出する点で最先端のアルゴリズムを上回る性能を示せるか？
• RQ4 本モデルは、角方向のスキャントレーション（グリント）や空間的に変動するスぺークルといった複雑な非定常ノイズ源をどの程度効果的に扱えるか？

主な発見

• 提案された階層ベイズモデルは、スパース信号推定のための合成SARデータセットにおいて、最先端のアルゴリズムと同等の性能を達成し、高い推定精度を示した。
• 実測SARデータセットでは、広域にわたる移動標的の検出と推定に成功し、複雑で非定常なノイズおよびクラッタに対して高いロバスト性を示した。
• クラッタ分布やアパーチャーキャリブレーションに関する事前知識が不要であり、これらがすべてデータから直接推定された。
• 共役事前分布とMCMCサンプリングの活用により、最小限の手動チューニングで完全な事後分布推定が可能となり、ヒューリスティックなパラメータ選択への依存が低減された。
• 逆ウィシャート分布およびベータ分布を用いたコherー二ティおよび相関構造のモデル化により、クラッタ、スぺークル、グリントの空間的変動統計を効果的に捉えた。
• 性能分析の結果、本手法は一般的に用いられるSAR移動標的検出手法と同等以上に性能を発揮するとともに、完全な事後分布の不確実性評価を提供していることが確認された。