[논문 리뷰] Robust SAR ATR on MSTAR with Deep Learning Models trained on Full Synthetic MOCEM data

Benjamin Camus, Corentin Le Barbu외 1명|arXiv (Cornell University)|2022. 06. 15.

Advanced SAR Imaging Techniques인용 수 4

한 줄 요약

이 논문은 MOCEM 시뮬레이터를 사용해 생성한 완전한 합성 데이터셋으로 훈련된 딥러닝 모델을 활용한 강건한 SAR ATR 프레임워크를 제안한다. 이는 실제 MSTAR 측정치와 크게 다름을 보이며, 도메인 랜덤라이제이션과 적대적 훈련을 결합함으로써 실제 세계 테스트 데이터에서 75%의 정확도를 달성한다. 이는 현실적이고 이상적인 조건이 아닌 환경에서 최신 기술보다 뛰어난 일반화 성능을 보여준다.

ABSTRACT

The promising potential of Deep Learning for Automatic Target Recognition (ATR) on Synthetic Aperture Radar (SAR) images vanishes when considering the complexity of collecting training datasets measurements. Simulation can overcome this issue by producing synthetic training datasets. However, because of the limited representativeness of simulation, models trained in a classical way with synthetic images have limited generalization abilities when dealing with real measurement at test time. Previous works identified a set of equally promising deep-learning algorithms to tackle this issue. However, these approaches have been evaluated in a very favorable scenario with a synthetic training dataset that overfits the ground truth of the measured test data. In this work, we study the ATR problem outside of this ideal condition, which is unlikely to occur in real operational contexts. Our contribution is threefold. (1) Using the MOCEM simulator (developed by SCALIAN DS for the French MoD/DGA), we produce a synthetic MSTAR training dataset that differs significantly from the real measurements. (2) We experimentally demonstrate the limits of the state-of-the-art. (3) We show that domain randomization techniques and adversarial training can be combined to overcome this issue. We demonstrate that this approach is more robust than the state-of-the-art, with an accuracy of 75 %, while having a limited impact on computing performance during training.

연구 동기 및 목표

• ATR 시스템에서 합성 훈련 데이터와 실제 SAR 측정치 사이의 일반화 갭을 해결하기 위해.
• 합성 데이터가 실제 테스트 데이터와 유사하지 않은 현실적이고 이상적인 조건에서 최신 기술 기반 딥러닝 모델의 성능을 평가하기 위해.
• 도메인 랜덤라이제이션과 적대적 훈련 기법을 결합하여 SAR ATR 모델의 강건성을 향상시키기 위해.
• 완전한 MOCEM 시뮬레이션에서 유래한 합성 데이터가 고도화된 도메인 적응 전략과 함께 사용될 경우 효과적인 일반화를 이끌 수 있음을 입증하기 위해.

제안 방법

• 저자는 MOCEM 시뮬레이터를 사용해 실제 측정치와 크게 다른 포괄적인 합성 MSTAR 훈련 데이터셋을 생성한다.
• 노이즈, 이격 각도, 신호 특성 등의 시뮬레이션 파라미터를 다양화하여 도메인 랜덤라이제이션을 적용해 합성 데이터를 증강한다.
• 도메인 구분자(디스크리미네이터)를 사용해 합성 데이터와 실제 데이터의 특징 분포를 일치시키기 위해 적대적 훈련을 시행한다.
• 합성 데이터에 대해 엔드 투 엔드로 훈련되는 깊이 신경망(예: CNN 기반)을 사용해 SAR 타겟을 분류한다.
• 합성 데이터와 실제 데이터의 분포 간의 도메인 시프트를 최소화하기 위해 도메인 적대적 손실을 훈련 과정에 포함시킨다.
• 모델의 일반화 성능를 측정하기 위해 실제 MSTAR 테스트 세트에서 평가를 수행한다.

실험 결과

연구 질문

• RQ1 합성 데이터가 실제 측정치와 유사하지 않은 경우, 완전히 합성된 SAR 데이터로 훈련된 딥러닝 모델이 실제 MSTAR 테스트 데이터로 효과적으로 일반화될 수 있는가?
• RQ2 도메인 시프트 조건 하에서 도메인 랜덤라이제이션과 적대적 훈련은 SAR ATR 모델의 강건성 향상에 어떻게 비교될 수 있는가?
• RQ3 제안된 방법의 성능는 실제 MSTAR 데이터에서 정확도 및 계산 효율성 측면에서 어떠한가?
• RQ4 도메인 랜덤라이제이션과 적대적 훈련을 결합할 경우, 각각의 기법을 별도로 사용할 때보다 더 나은 일반화 성능를 얻을 수 있는가?

주요 결과

• 제안된 방법은 실제 MSTAR 테스트 세트에서 75%의 정확도를 달성하여 현실적인 도메인 시프트 조건 하에서 최신 기술보다 뛰어난 일반화 성능를 보였다.
• 합성 데이터가 실제 측정치와 크게 다를 경우, 도메인 랜덤라이제이션만으로는 도메인 갭을 메울 수 없었다.
• 적대적 훈련만으로는 제한적인 향상이 있었지만, 도메인 랜덤라이제이션과 조합할 경우 강건성이 크게 향상되었다.
• 도메인 랜덤라이제이션과 적대적 훈련을 결합한 결과, 계산 오버헤드를 최소한으로 유지하면서도 실제 SAR 데이터로의 일반화 성능가 뛰어났다.