[논문 리뷰] Graph Neural Network for Accurate and Low-complexity SAR ATR

Bingyi Zhang, Sasindu Wijeratne외 3명|arXiv (Cornell University)|2023. 05. 11.

Advanced SAR Imaging Techniques인용 수 4

한 줄 요약

이 논문은 합성물상레이다르( SAR) 자동표적식별(ATR)를 위한 그래프 신경망(GNN) 기반 접근법을 제안하며, MSTAR 및 선박 식별 데이터셋에서 각각 99.38% 및 99.7%의 정확도를 달성한다. 이는 최신의 컨volutional 신경망(CNN) 대비 계산 비용의 1/3000과 모델 크기의 1/80로 달성한 결과이다. 방법은 SAR 영상을 희박한 그래프로 변환하고, 정점 및 특징 주의 메커니즘을 적용한 GNN을 사용하며, 입력 및 가중치 프루닝을 통해 복잡도를 극적으로 감소시키면서도 정확도를 유지한다.

ABSTRACT

Synthetic Aperture Radar (SAR) Automatic Target Recognition (ATR) is the key technique for remote sensing image recognition. The state-of-the-art works exploit the deep convolutional neural networks (CNNs) for SAR ATR, leading to high computation costs. These deep CNN models are unsuitable to be deployed on resource-limited platforms. In this work, we propose a graph neural network (GNN) model to achieve accurate and low-latency SAR ATR. We transform the input SAR image into the graph representation. The proposed GNN model consists of a stack of GNN layers that operates on the input graph to perform target classification. Unlike the state-of-the-art CNNs, which need heavy convolution operations, the proposed GNN model has low computation complexity and achieves comparable high accuracy. The GNN-based approach enables our proposed \emph{input pruning} strategy. By filtering out the irrelevant vertices in the input graph, we can reduce the computation complexity. Moreover, we propose the \emph{model pruning} strategy to sparsify the model weight matrices which further reduces the computation complexity. We evaluate the proposed GNN model on the MSTAR dataset and ship discrimination dataset. The evaluation results show that the proposed GNN model achieves 99.38\% and 99.7\% classification accuracy on the above two datasets, respectively. The proposed pruning strategies can prune 98.6\% input vertices and 97\% weight entries with negligible accuracy loss. Compared with the state-of-the-art CNNs, the proposed GNN model has only 1/3000 computation cost and 1/80 model size.

연구 동기 및 목표

• 소형 위성과 같은 자원 제한 플랫폼에 구현하기 위해 SAR ATR에서 깊은 CNN의 높은 계산 비용과 큰 메모리 사용량을 해결한다.
• SAR 영상의 희박성—즉, 표적에 속하는 픽셀 비율이 매우 낮다는 점을 활용하여 계산 부담을 줄인다.
• 구조적 및 특징 정보를 그래프 표현을 통해 활용하는 저복잡도 고정확도 GNN 모델을 개발한다.
• 정확도 손실를 최소화하면서 계산량과 모델 크기를 추가로 줄일 수 있는 입력 및 모델 프루닝 전략을 제안한다.
• 주의 메커니즘을 갖춘 GNN 아키텍처를 사용하여 MSTAR 및 선박 식별 데이터셋에서 최신 기술 수준의 성능을 입증한다.

제안 방법

• 표적 픽셀을 추출하고 공간적 근접성(예: 8-연결성) 기반으로 연결하여 SAR 영상을 그래프로 변환함으로써 정점과 간선을 형성한다.
• 이웃 정점의 특징을 집계하여 노드 수준의 표현을 학습하는 GraphSAGE 기반 GNN 레이어 스택을 적용한다.
• 중요한 노드와 특징을 동적으로 가중치 부여하기 위해 정점 주의 및 특징 주의 메커니즘을 통합하여 분류 정확도를 향상시킨다.
• 신호 크기가 낮은 정점(임계값 $I_v$ 이하)을 제거하여 입력 프루닝을 구현함으로써 입력 크기와 계산량을 줄인다.
• GNN 레이어 내에서 낮은 크기의 가중치 항목(임계값 $I_w$ 이하)을 제거하여 가중치 프루닝을 적용함으로써 모델 크기와 추론 비용을 감소시킨다.
• 두 단계의 훈련 및 프루닝 파이프라인을 사용: 먼저 전체 모델을 훈련한 후, 여유 정점과 가중치를 제거하기 위해 프루닝 임계값을 적용한다.

실험 결과

연구 질문

• RQ1 GNN 기반 모델은 계산 비용을 크게 줄임과 동시에 최신 CNN보다 비교적 또는 더 높은 정확도를 달성할 수 있는가?
• RQ2 신호 크기 기반 입력 프루닝이 성능 저하 없이 계산 부담을 효과적으로 줄일 수 있는가?
• RQ3 가중치 프루닝을 통해 얼마나 많은 모델 크기와 추론 복잡도를 줄일 수 있으며, 정확도 손실를 최소화할 수 있는가?
• RQ4 정점 주의 및 특징 주의 메커니즘이 GNN 기반 SAR ATR 모델의 분류 정확도 향상에 어떻게 기여하는가?
• RQ5 제안된 GNN 모델은 사전학습 없이도 선박 식별 데이터셋에서 소수의 샘플 학습 시나리오에 잘 일반화되는가?

주요 결과

• 제안된 GNN 모델은 MSTAR 데이터셋에서 99.38%의 분류 정확도를 달성했으며, 선박 식별 데이터셋에선 99.7%의 정확도를 기록하여 기준 CNN보다 정확도와 효율성 면에서 뛰어난 성능을 보였다.
• 입력 프루닝을 $I_v = 0.2$에서 수행했을 때, 입력 정점의 98.6%가 제거되었으나 정확도는 98.5%를 유지하여 희박성의 효과적인 활용을 입증했다.
• $I_w = 10^7$에서 가중치 프루닝을 수행했을 때, 97%의 가중치 항목이 제거되었으나 정확도에 변화가 없었으며, 이는 모델 가중치에 높은 재현성(중복성)이 있음을 시사한다.
• 정점 주의와 특징 주의의 조합은 99.38%의 정확도를 달성했으며, 정점 주의만 사용했을 때는 99.26%, 특징 주의만 사용했을 때는 98.51%였음을 고려하면 주의 메커니즘이 정확도 향상에 기여함을 확인했다.
• 소수의 샘플 학습에서, 제안된 모델은 모든 샘플 수($K = 1$에서 $10$)에서 사전학습된 CNN 기준 모델을 능가했으며, $K=5$일 때 최대 99.7%의 정확도를 달성했다.
• 제안된 GNN 모델은 최신 기술 수준의 CNN 대비 계산 비용을 3000배 줄이고 모델 크기를 80배 줄여, 저전력 플랫폼에의 구현 가능성을 확보했다.