[論文レビュー] Robust SAR ATR on MSTAR with Deep Learning Models trained on Full Synthetic MOCEM data

Benjamin Camus, Corentin Le Barbu+1 more|arXiv (Cornell University)|Jun 15, 2022

Advanced SAR Imaging Techniques被引用数 4

ひとこと要約

本論文では、MOCEMシミュレータを用いて生成された完全な合成データセット上で訓練されたディーブラーニングモデルを用いた、レーダーA TRフレームワークを提案している。この合成データは、実際のMSTAR測定値とは顕著に異なる。ドメインランダマイゼーションと対抗訓練を組み合わせることで、実世界のテストデータにおいて75%の精度を達成した。これは、現実的で理想的でない条件下において、最先端の手法よりも優れた一般化性能を示している。

ABSTRACT

The promising potential of Deep Learning for Automatic Target Recognition (ATR) on Synthetic Aperture Radar (SAR) images vanishes when considering the complexity of collecting training datasets measurements. Simulation can overcome this issue by producing synthetic training datasets. However, because of the limited representativeness of simulation, models trained in a classical way with synthetic images have limited generalization abilities when dealing with real measurement at test time. Previous works identified a set of equally promising deep-learning algorithms to tackle this issue. However, these approaches have been evaluated in a very favorable scenario with a synthetic training dataset that overfits the ground truth of the measured test data. In this work, we study the ATR problem outside of this ideal condition, which is unlikely to occur in real operational contexts. Our contribution is threefold. (1) Using the MOCEM simulator (developed by SCALIAN DS for the French MoD/DGA), we produce a synthetic MSTAR training dataset that differs significantly from the real measurements. (2) We experimentally demonstrate the limits of the state-of-the-art. (3) We show that domain randomization techniques and adversarial training can be combined to overcome this issue. We demonstrate that this approach is more robust than the state-of-the-art, with an accuracy of 75 %, while having a limited impact on computing performance during training.

研究の動機と目的

• 合成学習データと実SAR測定値の間の一般化ギャップを解消すること。
• 合成データが実際のテストデータと類似していない状況下で、最先端のディーブラーニングモデルの性能を現実的で理想的でない条件下で評価すること。
• ドメインランダマイゼーションと対抗訓練の手法を組み合わせることで、SAR ATRモデルの耐障害性を向上させること。
• 完全なMOCEMシミュレーションから得られる合成データが、高度なドメイン適応戦略と組み合わせることで、効果的な一般化をもたらすことを示すこと。

提案手法

• 著者らは、実測定値とは顕著に異なるため、MOCEMシミュレータを用いて包括的な合成MSTAR学習データセットを生成した。
• ノイズ、アスペクト角、信号特性などのシミュレーションパラメータを変化させることで、ドメインランダマイゼーションを適用し、合成データを拡張した。
• ドメイン識別器を用いて、合成データと実データの特徴分布を一致させるために、対抗訓練を実施した。
• 畳み込みニューラルネットワーク（例：CNNベース）を用いて、ランダマイズされた合成データ上でエンドツーエンドに訓練し、SARターゲットを分類した。
• 合成データと実データの分布間のドメインシフトを最小化するため、ドメイン対抗損失を訓練プロセスに組み込んだ。
• モデルの一般化性能を測定するために、実MSTARテストセット上で評価を実施した。

実験結果

リサーチクエスチョン

• RQ1 合成データが実際の測定値と類似していない状況下で、完全に合成されたSARデータで訓練されたディーブラーニングモデルは、実世界のMSTARテストデータに効果的に一般化できるか？
• RQ2 ドメインシフト下で、ドメインランダマイゼーションと対抗訓練は、SAR ATRモデルの耐障害性を向上させる点でどのように比較できるか？
• RQ3 本手法の実MSTARデータにおける精度と計算効率の観点からの性能はいかがなものか？
• RQ4 ドメインランダマイゼーションと対抗訓練を組み合わせることで、単独で用いる場合よりも優れた一般化性能が得られるか？

主な発見

• 提案手法は、実MSTARテストセットで75%の精度を達成し、現実的でドメインシフトの大きな条件下で、最先端の手法を上回る一般化性能を示した。
• 合成データが実測定値と顕著に異なる場合、ドメインランダマイゼーション単体ではドメインギャップを埋めることができなかった。
• 対抗訓練単体では限定的な改善しか得られなかったが、ドメインランダマイゼーションと組み合わせることで、著しく耐障害性が向上した。
• ドメインランダマイゼーションと対抗訓練の組み合わせにより、最小限の計算オーバーヘッドで、実世界のSARデータに良好に一般化するモデルが得られた。