[논문 리뷰] PolSAR Image Classification Based on Dilated Convolution and Pixel-Refining Parallel Mapping network in the Complex Domain

Dongling Xiao, Chang Liu외 3명|arXiv (Cornell University)|2019. 09. 24.

Synthetic Aperture Radar (SAR) Applications and Techniques참고 문헌 46인용 수 8

한 줄 요약

이 논문은 복소수 영역의 딥러닝 프레임워크인 CRPM-Net을 제안한다. 이는 확장된 컨벌루션과 픽셀 정밀화 병렬 매핑 네트워크를 결합하여 제한된 레이블 데이터로도 높은 정확도와 효율성을 달성한다. 복소수 컨벌루션을 통해 위상 정보를 활용하고 이중 단계 학습 전략을 적용함으로써, CRPM-Net은 AIRSAR 및 E-SAR 데이터셋에서 기존 최고 수준의 방법들보다 분류 정확도와 추론 속도 면에서 뛰어난 성능을 보였다.

ABSTRACT

Efficient and accurate polarimetric synthetic aperture radar (PolSAR) image classification with a limited number of prior labels is always full of challenges. For general supervised deep learning classification algorithms, the pixel-by-pixel algorithm achieves precise yet inefficient classification with a small number of labeled pixels, whereas the pixel mapping algorithm achieves efficient yet edge-rough classification with more prior labels required. To take efficiency, accuracy and prior labels into account, we propose a novel pixel-refining parallel mapping network in the complex domain named CRPM-Net and the corresponding training algorithm for PolSAR image classification. CRPM-Net consists of two parallel sub-networks: a) A transfer dilated convolution mapping network in the complex domain (C-Dilated CNN) activated by a complex cross-convolution neural network (Cs-CNN), which is aiming at precise localization, high efficiency and the full use of phase information; b) A complex domain encoder-decoder network connected parallelly with C-Dilated CNN, which is to extract more contextual semantic features. Finally, we design a two-step algorithm to train the Cs-CNN and CRPM-Net with a small number of labeled pixels for higher accuracy by refining misclassified labeled pixels. We verify the proposed method on AIRSAR and E-SAR datasets. The experimental results demonstrate that CRPM-Net achieves the best classification results and substantially outperforms some latest state-of-the-art approaches in both efficiency and accuracy for PolSAR image classification. The source code and trained models for CRPM-Net is available at: https://github.com/PROoshio/CRPM-Net.

연구 동기 및 목표

• 제한된 사전 레이블 데이터로 높은 정확도의 PolSAR 이미지 분류를 달성하는 데 도전한다.
• 기존 딥러닝 방법에서 분류 효율성과 에지 정밀도 사이의 상충 관계를 해결한다.
• 복소수 영역 신경망을 통해 PolSAR 데이터의 위상 정보를 극대화한다.
• 정위치 정밀도와 문맥적 특징 추출을 모두 향상시키는 병렬 아키텍처를 설계한다.
• 잘못 분류된 레이블된 픽셀을 정밀하게 보정함으로써 모델의 일반화 능력을 향상시키는 이중 단계 학습 알고리즘을 개발한다.

제안 방법

• CRPM-Net은 병렬 이중 스트림 아키텍처를 사용한다: 한 스트림은 복소수 영역의 확장된 컨벌루션 신경망(C-Dilated CNN)과 복소수 교차 컨벌루션(Cs-CNN)을 사용하여 정밀한 정위치와 위상 인식 특징 학습을 수행한다.
• 두 번째 스트림은 복소수 영역의 인코더-디코더 네트워크로, 풍부한 문맥적 의미 특징을 캡처하여 시나리오 이해를 향상시킨다.
• 두 스트림은 이중 단계 알고리즘을 통해 공동으로 학습된다: 첫 번째 단계에서는 Cs-CNN이 초기 레이블된 픽셀에서 학습되고, 두 번째 단계에서는 잘못 분류된 픽셀을 반복적으로 정밀화하여 감독을 향상시킨다.
• 모든 과정에서 복소수 연산을 사용하여 위상 정보를 유지한다. 이는 PolSAR 데이터 표현에 매우 중요하다.
• 모델은 분류 정확도와 공간 일관성을 결합한 손실 함수를 사용하여 최적화되며, 이는 에지 유지 성능을 향상시킨다.
• 프레임워크는 전통적인 평가 지표인 전체 정확도와 카파 계수 등을 사용하여 AIRSAR 및 E-SAR 데이터셋에서 평가되었다.

실험 결과

연구 질문

• RQ1 복소수 영역의 딥러닝 프레임워크는 높은 추론 효율성을 유지하면서 PolSAR 이미지 분류 정확도를 향상시킬 수 있는가?
• RQ2 확장된 컨벌루션과 병렬 특징 학습은 PolSAR 데이터에서 정위치 정밀도 향상에 얼마나 효과적인가?
• RQ3 복소수 신경망을 통해 위상 정보를 보존할 경우, 제한된 레이블 데이터로도 분류 성능 향상이 얼마나 이루어지는가?
• RQ4 잘못 분류된 픽셀을 정밀하게 보정하는 이중 단계 학습 전략은 낮은 감독 환경에서 일반화 능력을 향상시킬 수 있는가?
• RQ5 기준 PolSAR 데이터셋에서 CRPM-Net은 정확도, 속도, 내성 면에서 최고 수준의 방법들과 비교해 어떻게 성능을 냈는가?

주요 결과

• CRPM-Net은 AIRSAR 데이터셋에서 가장 높은 전체 정확도를 기록하여 기존 최고 수준의 방법들을 크게 앞서 갔다.
• E-SAR 데이터셋에서는 기준 모델들보다 뚜렷한 카파 계수 향상을 보이며 뛰어난 분류 성능을 입증했다.
• 효율적인 확장된 컨벌루션 설계 덕분에 고속 추론 성능을 유지하여 실시간 응용에 적합하다.
• 이중 단계 학습 알고리즘이 잘못 분류된 픽셀을 정밀하게 보정함으로써, 특히 복잡하거나 모호한 영역에서 오분류 오차를 효과적으로 줄였다.
• 복소수 연산을 통한 위상 정보 통합은 유사한 지형 유형을 구분하는 데 특히 강력한 특징 표현을 가능하게 했다.
• CRPM-Net의 소스 코드와 학습된 모델은 공개되어 있어 재현성과 향후 연구를 위한 기반을 마련했다.