[논문 리뷰] Classification of polarimetric SAR images using compact convolutional neural networks

Mete Ahishali, Serkan Kıranyaz외 2명|arXiv (Cornell University)|2022. 04. 26.

Synthetic Aperture Radar (SAR) Applications and Techniques참고 문헌 47인용 수 24

한 줄 요약

이 논문은 수동적 특징 추출을 회피하는 슬라이딩 윈도우 방식을 사용하여 펄스형 SAR(PolSAR) 이미지 분류를 위한 컴act하고 적응형 합성곱 신경망(CNN)을 제안한다. 이 방법은 최소한의 훈련 데이터(<0.1% 데이터)와 낮은 계산 비용으로 높은 정확도(최대 99.39%)를 달성하며, 표준 하드웨어에서도 실시간 처리가 가능하다. 이는 작은 윈도우 크기(7×7에서 19×19)에서도 성능을 유지를 한다.

ABSTRACT

Classification of polarimetric synthetic aperture radar (PolSAR) images is an active research area with a major role in environmental applications. The traditional Machine Learning (ML) methods proposed in this domain generally focus on utilizing highly discriminative features to improve the classification performance, but this task is complicated by the well-known ?curse of dimensionality? phenomena. Other approaches based on deep Convolutional Neural Networks (CNNs) have certain limitations and drawbacks, such as high computational complexity, an unfeasibly large training set with ground-truth labels, and special hardware requirements. In this work, to address the limitations of traditional ML and deep CNN-based methods, a novel and systematic classification framework is proposed for the classification of PolSAR images, based on a compact and adaptive implementation of CNNs using a sliding-window classification approach. The proposed approach has three advantages. First, there is no requirement for an extensive feature extraction process. Second, it is computationally efficient due to utilized compact configurations. In particular, the proposed compact and adaptive CNN model is designed to achieve the maximum classification accuracy with minimum training and computational complexity. This is of considerable importance considering the high costs involved in labeling in PolSAR classification. Finally, the proposed approach can perform classification using smaller window sizes than deep CNNs. Experimental evaluations have been performed over the most commonly used four benchmark PolSAR images: AIRSAR L-Band and RADARSAT-2-C-Band data of San Francisco Bay and Flevoland areas. Accordingly, the best obtained overall accuracies range between 92.33-99.39% for these benchmark study sites.

연구 동기 및 목표

• PolSAR 분류에서 깊은 CNN의 높은 계산 복잡도와 데이터 요구량을 해결한다.
• 수동적 고차원 특징 공학에 의존하는 전통적인 기계학습 방법의 한계를 극복한다.
• 최소한의 레이블링된 훈련 데이터와 낮은 계산 오버헤드로 정확한 PolSAR 분류를 가능하게 한다.
• 다양한 PolSAR 데이터셋과 윈도우 크기에서의 강건성과 일반화 능력을 입증한다.
• 특수 하드웨어와 광범위한 사전 처리가 필요 없이 실시간 처리를 가능하게 한다.

제안 방법

• 계산 부담을 최소화하기 위해 공유 가중치와 감소된 파라미터를 가진 4층의 컴 pact하고 적응형 CNN 아키텍처를 제안한다.
• 작은 이미지 패치(7×7에서 19×19 픽셀)를 직접 제2차 PolSAR 서술자로부터 처리하는 슬라이딩 윈도우 분류 방식을 사용한다.
• 수동적 특징 추출 없이 원시적인 복소 산란 매트릭스를 처리하여 종단 간 학습을 통해 특징 추출과 분류를 동시에 수행한다.
• 다중 룩 코herency 매트릭스와 펄스형 서술자(예: SPAN, Pauli 분해)를 입력 채널(3~6채널)로 사용하여 물리적 산란 정보를 유지한다.
• 제한된 레이블링된 데이터에서 효율적으로 네트워크를 훈련하기 위해 적응형 학습을 사용한 역전파를 적용한다.
• 모델의 강건성 평가와 과적합 방지를 위해 뉴런과 레이어의 다중 계수를 조정하는 하이퍼파ram터 튜닝을 수행한다.

실험 결과

연구 질문

• RQ1 최소한의 레이블링된 훈련 데이터로 컴 pact한 CNN이 PolSAR 이미지에서 높은 분류 정확도를 달성할 수 있는가?
• RQ2 전통적인 기계학습 및 깊은 CNN과 비교해 본다면, 제안된 방법은 계산 효율성과 데이터 요구량 측면에서 어떤가?
• RQ3 컴 pact한 CNN을 사용한 정확한 PolSAR 분류를 위한 최적의 윈도우 크기는 무엇인가?
• RQ4 다양한 PolSAR 데이터셋(예: 샌프란시스코 만, 플레보란드) 간에 모델이 일반화 가능한가? (크로스 사이트 검증을 통해 확인)
• RQ5 모델 성능은 네트워크 깊이와 너비(하이퍼파ram터)의 변화에 얼마나 민감한가?

주요 결과

• 제안된 컴 pact한 CNN은 네 가지 벤치마크 PolSAR 데이터셋(AIRSAR L-Band 및 RADARSAT-2 C-Band, 샌프란시스코 만과 플레보란드)에서 전체 정확도(OA)가 92.33%에서 99.39% 사이로 나타났다.
• SFBay_L에서 4채널 입력과 21×21 윈도우 크기를 사용할 경우 최고의 성능(99.39% OA)을 기록했다.
• 크로스 사이트 검증에서 모델은 일반화 능력이 뛰어나, Flevo_C에서 훈련된 모델이 Flevo_L에서 88.11% OA를 달성했으며, 병합된 농경지 클래스 조건에서도 성능을 유지했다.
• 훈련에 총 데이터의 0.1% 미만이 사용되어 레이블링 비용과 데이터 의존도가 크게 감소했다.
• 네트워크 깊이 또는 너비를 증가시킬 경우(예: m=8, n=1 또는 n=2) 과적합과 수렴 불량 현상이 발생하여, 컴 pact함이 안정성에 매우 중요함을 시사했다.
• 7×7에서 19×19까지의 윈도우 크기 전역에서 높은 정확도를 유지하여, 작은 패치 크기에서도 강건함을 입증했다.