[논문 리뷰] Robust Unsupervised Small Area Change Detection from SAR Imagery Using Deep Learning

Xinzheng Zhang, Hang Su외 4명|arXiv (Cornell University)|2020. 11. 22.

Remote-Sensing Image Classification참고 문헌 35인용 수 4

한 줄 요약

이 논문은 다중 시점 SAR 영상에서 소규모 영역 변화 탐지에 대한 강건한 비지도 딥 러닝 프레임워크를 제안한다. 다중 척도 슈퍼픽셀 재구성 기법을 사용해 노이즈 억제형 차이 영상을 생성하고, 두 단계의 중심 제약이 있는 퍼지 c-의미 클러스터링을 적용해 픽셀을 변화, 변화 없음, 중간 클래스로 분류하며, DCGAN를 통한 적대적 데이터 증강을 통해 컨volutional 웨이블릿 신경망(CWNN)을 엔드 투 엔드로 훈련하여 실제 SAR 데이터셋에서 최대 99.61%의 정확도를 달성한다.

ABSTRACT

Small area change detection from synthetic aperture radar (SAR) is a highly challenging task. In this paper, a robust unsupervised approach is proposed for small area change detection from multi-temporal SAR images using deep learning. First, a multi-scale superpixel reconstruction method is developed to generate a difference image (DI), which can suppress the speckle noise effectively and enhance edges by exploiting local, spatially homogeneous information. Second, a two-stage centre-constrained fuzzy c-means clustering algorithm is proposed to divide the pixels of the DI into changed, unchanged and intermediate classes with a parallel clustering strategy. Image patches belonging to the first two classes are then constructed as pseudo-label training samples, and image patches of the intermediate class are treated as testing samples. Finally, a convolutional wavelet neural network (CWNN) is designed and trained to classify testing samples into changed or unchanged classes, coupled with a deep convolutional generative adversarial network (DCGAN) to increase the number of changed class within the pseudo-label training samples. Numerical experiments on four real SAR datasets demonstrate the validity and robustness of the proposed approach, achieving up to 99.61% accuracy for small area change detection.

연구 동기 및 목표

• SAR 영상에서 소규모 변화를 탐지하는 데 도전적인 이유는 스펙클 노이즈와 레이블이 제한되어 있기 때문이다.
• 수동으로 레이블링된 변화 레이블에 의존하지 않는 비지도 방법을 개발하여 자료가 부족한 상황에서도 적용 가능하도록 한다.
• 자기 지율적인 방식으로 공간 균일성과 심층 특징 학습을 활용해 탐지 정확도와 강건성을 향상시킨다.
• DCGAN를 활용한 적대적 데이터 생성을 통해 희귀 변화 영역의 표현을 향상시킨다.

제안 방법

• 다중 척도 슈퍼픽셀 재구성 기법을 사용해 국소적 공간 균일성을 활용함으로써 스펙클 노이즈를 억제하고 에지 강도를 향상시켜 차이 영상(DI)을 생성한다.
• 병렬 클러스터링 전략을 사용해 중심 제약이 있는 두 단계의 퍼지 c-mean 클러스터링 알고리즘을 적용해 DI 픽셀을 변화, 변화 없음, 중간 클래스로 분할한다.
• 변화 및 변화 없음 클래스에서 유래한 영상 패치를 컨volutional 웨이블릿 신경망(CWNN)의 가짜 레이블 훈련 샘플로 사용한다.
• 중간 클래스에서 유래한 패치는 테스트 샘플로 간주하고, 훈련된 CWNN에 의해 분류된다.
• 깊이 있는 컨volutional 생성 적대적 네트워크(DCGAN)를 활용해 변화 클래스의 추가 훈련 샘플을 합성함으로써 모델의 일반화 능력을 향상시킨다.
• 증강된 가짜 레이블 데이터를 사용해 CWNN을 엔드 투 엔드로 훈련하여 테스트 패치를 변화 또는 변화 없음 카테고리로 분류한다.

실험 결과

연구 질문

• RQ1 슈퍼픽셀 기반의 차이 영상가 스펙클 노이즈를 효과적으로 억제하면서도 SAR 영상에서 에지 정보를 유지할 수 있는가?
• RQ2 중심 제약이 있는 비지도 클러스터링은 어떻게 SAR 변화 탐지에서 변화 및 변화 없음 영역 간의 분리를 향상시킬 수 있는가?
• RQ3 가짜 레이블 훈련 데이터와 GAN 기반 데이터 증강을 조합하면 소규모 영역 변화 탐지에서 딥 러닝 모델의 성능을 어느 정도 향상시킬 수 있는가?
• RQ4 다양한 실제 SAR 데이터셋(다양한 시나리오 콘텐츠 및 노이즈 특성 포함)에서 제안된 방법의 강건성은 어느 정도인가?

주요 결과

• 제안된 방법은 네 개의 실제 SAR 데이터셋에서 최대 99.61%의 탐지 정확도를 달성하여 소규모 영역 변화 탐지에서 높은 성능을 입증한다.
• 다중 척도 슈퍼픽셀 재구성 기법은 스펙클 노이즈를 효과적으로 감소시키고 에지 정보를 강화하여 차이 영상의 품질을 향상시킨다.
• 두 단계의 중심 제약이 있는 퍼지 c-의미 클러스터링은 변화 및 변화 없음 영역 간의 분리를 성공적으로 수행하며, 테스트를 위한 중간 픽셀을 식별한다.
• DCGAN를 통한 데이터 증강 통합은 변화 영역 샘플 수를 크게 증가시켜 모델의 강건성과 일반화 능력을 향상시킨다.
• CWNN 아키텍처는 가짜 레이블 데이터로부터 분류 가능한 특징을 효과적으로 학습하여 테스트 패치에 대해 높은 분류 정확도를 달성한다.
• 이 방법은 다양한 SAR 데이터셋에서 강력한 강건성을 보이며, 원격 감시 응용 분야에서의 실질적 적용 잠재력을 보여준다.