[論文レビュー] What's Mine is Yours: Pretrained CNNs for Limited Training Sonar ATR

John McKay, Isaac D. Gerg+2 more|arXiv (Cornell University)|Jun 29, 2017

Advanced SAR Imaging Techniques参考文献 13被引用数 24

ひとこと要約

本論文では、データが限られる環境におけるソナー自動標的認識（ATR）のため、事前学習済み畳み込みニューラルネットワーク（CNN）—特にVGG19—を強力な特徴抽出器として用いるトランスファーラーニングの手法を提案する。CNNから得られた特徴量にサポートベクターマシン（SVM）を微調整することで、限られた合成開口ソナー（SAS）データセットにおいても、標的分類および検出で最先端の性能を達成した。これは、高ノイズおよび背景クラッターが存在する状況下でも同様に有効である。

ABSTRACT

Finding mines in Sonar imagery is a significant problem with a great deal of relevance for seafaring military and commercial endeavors. Unfortunately, the lack of enormous Sonar image data sets has prevented automatic target recognition (ATR) algorithms from some of the same advances seen in other computer vision fields. Namely, the boom in convolutional neural nets (CNNs) which have been able to achieve incredible results - even surpassing human actors - has not been an easily feasible route for many practitioners of Sonar ATR. We demonstrate the power of one avenue to incorporating CNNs into Sonar ATR: transfer learning. We first show how well a straightforward, flexible CNN feature-extraction strategy can be used to obtain impressive if not state-of-the-art results. Secondly, we propose a way to utilize the powerful transfer learning approach towards multiple instance target detection and identification within a provided synthetic aperture Sonar data set.

研究の動機と目的

• 大規模なデータセットが少なく、収集に莫大な費用がかかるため、データ収集が制限されるソナーATRにおける課題に対処すること。
• 数100枚程度のトレーニングサンプルしか入手できない状況下でも、事前学習済みCNNがソナー画像分類に有効な特徴抽出器として機能することを示すこと。
• 合成開口ソナー（SAS）画像における複数インスタンスの標的検出および識別を、スケーラブルかつ並列処理可能な方法で実現すること。
• ノイズおよび背景クラッターが一般的に見られる現実のソナー環境において、CNN特徴量のロバストネスを評価すること。
• 従来の手作業特徴量（SIFT や HOG など）を上回る、データ効率の高い強力なベースラインを、トランスファーラーニングを用いて確立すること。

提案手法

• ソナー画像から階層的畳み込み特徴量を抽出するために、事前学習済みVGG19ネットワークを固定された特徴抽出器として利用する。
• VGG19の最終全結合層（fc7）から特徴量を抽出し、1枚の画像パッチあたり4096次元の特徴ベクトルを生成する。
• 少数のラベル付きトレーニングパッチのみを用いて、これらのCNN特徴量上で線形SVM分類器を学習させ、高速かつ高精度な分類を実現する。
• ソナー画像全体にスライディングウィンドウ戦略を適用し、複数のパッチを生成。各パッチをCNN特徴抽出器で処理し、SVMで分類する。
• 最大のSVMスコアが閾値を上回る場合に、そのパッチが標的を含むと判断するため、交差検証により0.9に設定された信頼度閾値を適用する。
• 全標的クラスに同一の閾値を適用することで、一貫性のある検出を実現し、色分けされた出力により検出された標的およびその予測クラスを示す。

実験結果

リサーチクエスチョン

• RQ1 限られたトレーニングデータしかない状況下でも、事前学習済みCNNがソナーATRのための有効な特徴抽出器として機能するか？
• RQ2 ソナー画像分類タスクにおいて、CNNベースの特徴量は従来の手作業特徴量（例：SIFT, HOG）と比較してどの程度優れているか？
• RQ3 CNNを用いたトランスファーラーニングにより、ノイズやクラッターが多いソナー画像でも、どの程度のロバストネスで標的検出が可能になるか？
• RQ4 CNN特徴量上で学習されたシンプルなSVM分類器は、最小限の微調整でソナーATRにおいて最先端の性能を達成できるか？
• RQ5 本手法は、ブロック、コーン、球体、シリンダーなどの異なる標的タイプおよび変動するノイズレベルの下でも、どのように一般化するか？

主な発見

• 提案手法は、わずか数100枚のトレーニングサンプルでのみ、従来の特徴ベース手法を上回る最先端の性能を達成した。
• CNN-SVMパイプラインは、背景クラッターが存在する1枚のソナー画像内において、ブロックと球体の両方を正しく検出し、各検出パッチを正しく分類した。
• 高ノイズ（25 dB PSNR）下でも、ロバストな検出を維持した。ブロックの縁の特徴は汚染に対しても依然として判別可能であった。
• 全標的クラスに同一の閾値（0.9）が有効であったため、特徴空間の信頼度のキャリブレーションおよび一般化が一貫していることが示された。
• ノイズおよび背景の変動に対して強いロバストネスを示し、複数のノイズレベルおよび複雑なシーンにおいても検出精度が維持された。
• 本手法は並列処理が容易でスケーラブルであり、計算コストを最小限に抑えつつ、大規模なソナー画像処理に適している。