[논문 리뷰] Deep Learning for Target Classification from SAR Imagery: Data Augmentation and Translation Invariance

Hidetoshi Furukawa|arXiv (Cornell University)|2017. 08. 25.

Advanced SAR Imaging Techniques인용 수 53

한 줄 요약

이 논문은 SAR ATR를 위한 CNN의 번역 불변성을 분석하고 도메인 특화 데이터 증강이 핵심임을 보여준다; 증강 학습은 MSTAR 중심 자른 테스트 데이터에서 99.6%를 달성한다.

ABSTRACT

This report deals with translation invariance of convolutional neural networks (CNNs) for automatic target recognition (ATR) from synthetic aperture radar (SAR) imagery. In particular, the translation invariance of CNNs for SAR ATR represents the robustness against misalignment of target chips extracted from SAR images. To understand the translation invariance of the CNNs, we trained CNNs which classify the target chips from the MSTAR into the ten classes under the condition of with and without data augmentation, and then visualized the translation invariance of the CNNs. According to our results, even if we use a deep residual network, the translation invariance of the CNN without data augmentation using the aligned images such as the MSTAR target chips is not so large. A more important factor of translation invariance is the use of augmented training data. Furthermore, our CNN using augmented training data achieved a state-of-the-art classification accuracy of 99.6%. These results show an importance of domain-specific data augmentation.

연구 동기 및 목표

• 번역 정렬 불일치가 CNN 기반 SAR ATR 성능에 어떤 영향을 미치는지 평가한다.
• 번역 불변성과 분류 정확도에 대한 데이터 증강의 영향을 평가한다.
• 정확도-번역 맵을 사용하여 번역 불변성을 시각화한다.
• MSTAR 표적 칩에서 증강 여부에 따른 CNN 성능을 비교한다.

제안 방법

• 96x96 SAR 표적 칩을 10개 클래스로 분류하기 위해 딥 레지듀얼 CNN(ResNet-18)을 사용한다.
• 데이터 증강 여부에 따라 모델을 학습시키고(100x100 칩에서의 무작위 자르기), 중심 잘라낸 96x96 테스트 패치에서 평가한다.
• Δx, Δy인 x/y 번역에서의 분류 정확도를 보여주는 정확도-번역 맵을 정의하고 시각화한다.
• 증강 미적용과 적용 학습의 혼동 행렬을 분석하여 클래스별 성능을 정량화한다.
• 두 설정(비증강 vs 증강)에 대해 중심 잘라낸 테스트 데이터에서의 전체 정확도를 보고한다.
• 데이터 증강이 아키텍처 변화만으로는 미치는 것보다 번역 불변성에 더 큰 영향을 미친다는 점을 논의한다.

실험 결과

연구 질문

• RQ1 데이터 증강과 CNN 기반 SAR ATR의 번역 불변성 사이의 관계는 무엇인가?
• RQ2 증강이 MSTAR에서 전체 분류 정확도와 클래스별 성능에 어떤 영향을 미치는가?
• RQ3 네트워크 깊이만이 아니라 학습 데이터 섭동으로 번역으로 인한 정렬 불일치를 완화할 수 있는가?
• RQ4 정렬된 SAR 표적 칩에서 증강 없이 ResNet-18이 번역 불변성을 어느 정도 달성하는가?

주요 결과

• 증강 없이 정렬된 MSTAR 칩에서 CNN은 제한된 번역 불변성을 보인다.
• 학습 중 무작위 자르기인 데이터 증강은 번역 로버스트니스와 전체 정확도를 크게 향상시킨다.
• 증강을 적용한 CNN은 중심 자른 테스트 데이터에서 99.6%의 정확도를 달성하여 본 연구에서의 최첨단 성능에 도달한다.
• 증강이 사용될 때 작은 번역(Δx, Δy가 ±2픽셀 이내)에서 정확도-번역 맵은 견고한 성능을 보여준다.
• 증강으로 클래스별 혼동이 현저히 감소하고 대부분의 표적 클래스에서 정확도가 향상된다.