[논문 리뷰] Small-floating Target Detection in Sea Clutter via Visual Feature Classifying in the Time-Doppler Spectra

Yi Zhou, Yin Cui외 3명|arXiv (Cornell University)|2020. 09. 09.

Underwater Acoustics Research참고 문헌 19인용 수 4

한 줄 요약

이 논문은 시간- doppler 스펙트럼(TDS) 내 시각적 무늬 특징을 활용하여 해상 클러터 내에서 소형 부유 물체를 탐지하는 새로운 레이더 목표 탐지 방법을 제안한다. 목표에 의해 해면 표면 운동이 방해받는 것으로 인한 무늬 변화를 캡처하기 위해 국소 이진 패턴(LBP)을 사용하고, LBP 특징 공간 내 이상치를 탐지하기 위해 일종의 SVM를 적용하여, 기존 방법에 비해 IPIX 레이더 데이터에서 뛰어난 탐지 성능을 달성한다.

ABSTRACT

It is challenging to detect small-floating object in the sea clutter for a surface radar. In this paper, we have observed that the backscatters from the target brake the continuity of the underlying motion of the sea surface in the time-Doppler spectra (TDS) images. Following this visual clue, we exploit the local binary pattern (LBP) to measure the variations of texture in the TDS images. It is shown that the radar returns containing target and those only having clutter are separable in the feature space of LBP. An unsupervised one-class support vector machine (SVM) is then utilized to detect the deviation of the LBP histogram of the clutter. The outiler of the detector is classified as the target. In the real-life IPIX radar data sets, our visual feature based detector shows favorable detection rate compared to other three existing approaches.

연구 동기 및 목표

• 반사 전파 강도가 유사하여 진폭 기반 분리가 실패하는 해상 클러터 내 소형 부유 목표 탐지 과제를 해결한다.
• 파동 운동과 구분이 어려운 느린 이동 목표로 인해 성능이 떨어지는 도플러 기반 방법의 한계를 극복한다.
• 해상 클러터만 포함된 반환 신호와 목표가 포함된 반환 신호를 신뢰성 있게 구분할 수 있는 TDS 이미지 내 일반적인 시각적 무늬 특징을 식별한다.
• 제한된 레이블 데이터와 불균형한 샘플을 가진 환경에서도 효과적으로 작동하는 비지도 탐지 프레임워크를 개발한다.
• 강력하고 일반적인 무늬 기술자(LBP)와 일종의 SVM을 통한 이상치 탐지 기반으로 기존의 기능 기반 방법보다 뛰어난 탐지 성능을 향상시킨다.

제안 방법

• 해상 클러터와 목표 반환 신호의 도플러-주파수 특성을 시각화하기 위해 레이더 반환 신호에서 시간-도플러 스펙트럼(TDS)을 추출한다.
• 정확도를 높이기 위해 P=8개 이웃과 반경 R=1을 사용한 국소 이진 패턴(LBP)을 적용하여 TDS 이미지 내 무늬 특징을 계산한다.
• 각 TDS 이미지를 국소 무늬 변화를 캡처하기 위해 9-빈 LBP 히스토그램으로 표현한다.
• 클러터 전용 셀의 LBP 히스토그램을 기반으로 일종의 서포트 벡터 머신(SVM)을 훈련하여 정상적인 클러터 분포를 모델링한다.
• 훈련된 일종의 SVM 경계를 벗어난 LBP 히스토그램을 가진 TDS 이미지를 잠재적인 목표로 분류한다.
• 불균형하고 노이즈가 많은 훈련 데이터를 처리하기 위해 가우시안 커널을 사용하고, 대역폭 s=1/m(m=훈련 샘플 수)로 설정하며, ν 파rameter를 0.4로 설정한다.

실험 결과

연구 질문

• RQ1 TDS 이미지 내 시각적 무늬 차이가 소형 부유 목표를 해상 클러터에서 신뢰성 있게 구분할 수 있는가?
• RQ2 LBP 특징이 TDS에서 해면 표면의 일관된 운동이 목표로 인해 방해받는 구조적 교란을 효과적으로 캡처하는가?
• RQ3 훈련 시 클러터 샘플만 제공된 상황에서 일종의 SVM이 LBP 특징 공간 내 목표 유사 이상치를 효과적으로 탐지할 수 있는가?
• RQ4 실제 IPIX 레이더 데이터에서 제안된 LBP 기반 탐지기법이 기존의 다기능 또는 히우리스틱 기반 기능 기반 방법에 비해 탐지율에서 어떻게 성능을 냈는가?
• RQ5 실제 레이더 데이터에서 다양한 편광 모드와 환경 조건에 걸쳐 LBP 특징이 얼마나 일반화되는가?

주요 결과

• LBP 기반 특징 공간은 목표가 포함된 TDS 이미지와 클러터 전용 이미지를 성공적으로 분리하였으며, 이는 명확한 히스토그램 분포 차이로 입증되었다.
• 1993년 Dartmouth IPIX 데이터셋에서 제안된 방법은 HH 및 VH 편광 모드에서 탐지율 0.90을 달성하여 NTFD(0.754), Tri(0.577), Fractal(0.303) 방법을 모두 능가했다.
• 1998년 Grimsby 데이터셋에서는 HV 및 VH 모드에서 탐지율 0.90을 기록하여 일부 경우에서 NTFD(각각 0.997 및 1.000)를 초월했고, Tri 및 Fractal 방법에 비해 뚜렷한 성능 향상을 보였다.
• 1993년 데이터셋 전반에서 모든 편광 모드에서 높은 탐지 성능(전체 평균 0.80)을 유지하였으며, 모든 모드에서 탐지율이 0.70 초과를 기록했다.
• LBP 특징는 다기능 NTFD 방법과 비교해도 유사하거나 뛰어난 탐지 성능을 보였으며, 이는 일반적이고 저차원의 무늬 기술자로서의 가치를 입증한다.
• 일종의 SVM 분류기는 제한된 훈련 데이터와 불균형 샘플 조건에서도 목표를 이상치로 효과적으로 탐지하여 실제 레이더 환경에서의 강건성을 입증했다.