[논문 리뷰] SAVERS: SAR ATR with Verification Support Based on Convolutional Neural Network

Hidetoshi Furukawa|arXiv (Cornell University)|2018. 05. 14.

Advanced SAR Imaging Techniques인용 수 4

한 줄 요약

이 논문은 종단간 합성물상 레이더(SAR) 자동 표적 인식(ATR)을 위한 단일 단계형 합성곱 신경망(CNN)인 SAVERS를 제안한다. 이는 임의의 크기의 SAR 이미지에서 다중 표적 클래스와 배경(잡음)을 픽셀 단위로 분류하며, 군집화된 표적과 배경을 동시에 수행하는 조건부(영역 기반) 및 세분화(픽셀 기반) 분할을 수행한다. 평균 풀링 이후 MSTAR 데이터셋에서 98.6%의 분류 정확도를 달성하여 자동 표적 탐지 및 검증 지원을 가능하게 한다.

ABSTRACT

We propose a new convolutional neural network (CNN) which performs coarse and fine segmentation for end-to-end synthetic aperture radar (SAR) automatic target recognition (ATR) system. In recent years, many CNNs for SAR ATR using deep learning have been proposed, but most of them classify target classes from fixed size target chips extracted from SAR imagery. On the other hand, we proposed the CNN which outputs the score of the multiple target classes and a background class for each pixel from the SAR imagery of arbitrary size and multiple targets as fine segmentation. However, it was necessary for humans to judge the CNN segmentation result. In this report, we propose a CNN called SAR ATR with verification support (SAVERS), which performs region-wise (i.e. coarse) segmentation and pixel-wise segmentation. SAVERS discriminates between target and non-target, and classifies multiple target classes and non-target class by coarse segmentation. This report describes the evaluation results of SAVERS using the Moving and Stationary Target Acquisition and Recognition (MSTAR) dataset.

연구 동기 및 목표

• 독립적인 탐지, 식별, 분류 단계가 필요 없는 종단간 SAR ATR 시스템을 개발하기 위해.
• 임의의 크기의 SAR 이미지에서 다중 표적 클래스와 배경(잡음)을 픽셀 단위로 분류할 수 있도록 하기 위해.
• 각 클래스에 대한 점수를 제공하는 픽셀 기반 분할 출력을 통해 인간의 검증을 지원하기 위해.
• 통합된 분할 및 분류를 통해 다중 표적 및 다중 클래스 SAR 환경에서의 강인성을 향상시키기 위해.

제안 방법

• SAVERS는 임의의 크기의 SAR 이미지를 처리하고, 각 픽셀의 클래스 점수를 포함하는 SAR ATR 이미지를 출력하기 위해 인코더-디코더 CNN 아키텍처를 사용한다.
• 라벨이 10개의 표적 클래스 또는 배경 클래스 중 하나로 할당된 SAR 이미지-라벨 쌍을 사용하여 지도 학습을 통해 네트워크를 종단간으로 훈련시킨다.
• 인코더의 최종 특징 맵에 대해 평균 풀링을 수행하여 영역 수준의 분류 점수를 산출함으로써 조건부 분할을 수행한다.
• 세분화 출력은 표적 및 배경 클래스에 대한 픽셀 단위의 분류 점수를 제공하여 다중 표적의 정밀한 국소화를 가능하게 한다.
• 학습 중에 네트워크 파라미터 θ를 최적화하기 위해 손실 함수 L(θ)를 최소화한다.
• 모델은 MSTAR 데이터셋(11개 클래스: 10개 표적 + 배경)과 AdaptSAPS에서 확보한 잡음 칩을 활용하여 훈련 및 평가를 수행한다.

실험 결과

연구 질문

• RQ1 단일 CNN 아키텍처가 조건부 및 세분화 분할을 동시에 수행하면서 종단간 SAR ATR를 효과적으로 수행할 수 있는가?
• RQ2 평균 풀링 이후의 인코더 출력의 분류 정확도는 기존의 표적 칩 분류 방법과 비교하여 어떻게 되는가?
• RQ3 다중 표적 상황에서 모델이 표적과 잡음 칩을 얼마나 잘 구분할 수 있는가?
• RQ4 모델의 출력이 픽셀 기반 분할을 통해 인간의 검증에 얼마나 효과적으로 기여하는가?

주요 결과

• 조건부 분할 출력(평균 풀링 이후)의 분류 정확도는 98.6%로(MSTAR 테스트 세트 기준 2624/2662개 샘플) 높은 성능을 입증하였다.
• 배경 클래스의 재현율은 100%를 기록하여 모든 잡음 칩이 비표적임을 정확히 식별했지만, 일부 표적 칩이 배경으로 잘못 분류되어 정밀도는 90.3%로 낮았다.
• 배경 클래스의 F1 점수는 0.949로 정밀도와 재현율 간의 균형 잡힌 상호보완성을 반영하였다.
• 개별 표적 클래스의 경우 F1 점수는 D7의 0.980에서 BMP2의 0.997까지 다양했으며, 높은 분류 신뢰성을 보였다.
• (배경 클래스의 소프트맥스 값의 1 - 값) 히스토GRAM을 분석한 결과, 99%의 표적 칩에서 배경 확률이 0.01 이하로 나타나 배경과의 강력한 분리가 이루어졌음을 확인하였다.
• 다중 클래스 및 다중 표적 상황에서 SAVERS는 지상 진술과 일치하는 바, 두 개의 서로 다른 표적을 정확히 국소화하고 클래스 및 형태 예측을 수행하였다.