[論文レビュー] Deep Learning for End-to-End Automatic Target Recognition from Synthetic Aperture Radar Imagery

Hidetoshi Furukawa|arXiv (Cornell University)|Jan 25, 2018

Advanced SAR Imaging Techniques被引用数 28

ひとこと要約

本論文では、任意サイズのSAR画像から複数ターゲットの検出、分類、ポーズ推定を一括で行う、完全畳み込みニューラルネットワーク（FCN）であるVersNetを提案する。MSTARデータセットで訓練されたVersNetは、10個のターゲットクラスにおいて分類精度99.55%、平均交差率（IoU）0.923を達成し、事前に抽出されたターゲットチップを必要とせずに、検出・分類・ポーズ推定の統合的性能が最先端水準であることを示している。

ABSTRACT

The standard architecture of synthetic aperture radar (SAR) automatic target recognition (ATR) consists of three stages: detection, discrimination, and classification. In recent years, convolutional neural networks (CNNs) for SAR ATR have been proposed, but most of them classify target classes from a target chip extracted from SAR imagery, as a classification for the third stage of SAR ATR. In this report, we propose a novel CNN for end-to-end ATR from SAR imagery. The CNN named verification support network (VersNet) performs all three stages of SAR ATR end-to-end. VersNet inputs a SAR image of arbitrary sizes with multiple classes and multiple targets, and outputs a SAR ATR image representing the position, class, and pose of each detected target. This report describes the evaluation results of VersNet which trained to output scores of all 12 classes: 10 target classes, a target front class, and a background class, for each pixel using the moving and stationary target acquisition and recognition (MSTAR) public dataset.

研究の動機と目的

• 手動によるターゲットチップ抽出と、検出・識別・分類のための別々の処理を必要とする従来の3段階SAR ATRパイプラインの限界を解消すること。
• 任意サイズのSAR画像を直接処理できる統合的ディープラーニングフレームワークを構築し、ターゲットの切り出しなどの事前処理を不要にする。
• 1つの畳み込みニューラルネットワーク（CNN）アーキテクチャを用いて、1回の順伝播でターゲットの位置、クラス、ポーズ（前面）を同時に予測すること。
• 検出・分類・ポーズ推定を統合的に最適化するエンドツーエンド学習により、全体的なATR性能を向上させること。

提案手法

• VersNetはエンコーダ・デコーダ構造を有する完全畳み込みネットワーク（FCN）であり、3×3畳み込みと、デコーダで16×アップサンプリングを行う逆畳み込みを用いる。
• ネットワークは確率的勾配降下法（SGD）とモーメンタムを用いて訓練され、交差エントロピー損失関数を最適化対象とし、12クラス（10個のターゲットクラス、前面クラス、背景クラス）の画素単位分類を目的とする。
• 学習データは、SAR画像と対応するラベル画像から構成され、各画素にクラスラベルが割り当てられており、検出と分類を伴うセマンティックセグメンテーションのための教師あり学習を可能にする。
• 完全畳み込み設計のおかげで、入力SAR画像のサイズに依存せず、パッチ分割や切り出しを伴わずに、フルシーン画像の推論が可能である。
• 主なイノベーションの1つは、ターゲットの位置とクラスに加え、ポーズ（前面）情報も符号化した真値ラベル画像の使用であり、これにより位置・クラス・方向の同時予測が可能になる。
• ネットワークの出力は、各画素が特定のクラス（背景およびポーズ付きターゲットクラスを含む）に属する確率を予測するセグメンテーションマップ（SAR ATR画像）である。

実験結果

リサーチクエスチョン

• RQ1 事前に抽出されたターゲットチップを必要とせず、1つのディープラーニングモデルがエンドツーエンドでSAR ATR（検出・分類・ポーズ推定）を実行可能か？
• RQ2 画素単位のラベルで訓練された完全畳み込みネットワーク（FCN）は、任意サイズのSAR画像上で、検出と分類を統合的にどの程度達成できるか？
• RQ3 提案手法の分類精度およびセグメンテーション品質（IoU）は、MSTARベンチマークでどの程度の水準にあるか？
• RQ4 アーキテクチャの変更や後処理を施さずに、マルチクラス・マルチターゲットシーンに一般化可能か？
• RQ5 IoUおよび分類精度の観点から、最先端手法と比較して本手法の性能はどの程度か？

主な発見

• 提案されたVersNetは、MSTARテストセットで99.55%の分類精度を達成し、10個のターゲットクラスの平均精度は99.52%であった。
• 全12クラス（背景および前面クラスを含む）の平均交差率（IoU）は0.915であり、10個のターゲットクラスのみを対象とした場合は0.923であった。
• モデルは高いセグメンテーション性能を示し、全テスト画像で平均IoUが0.930、標準偏差が0.082であった。
• 実証的累積分布関数によると、IoUが0.5未満の画像は1%にとどまり、IoUが0.9未満の画像は10%に留まり、セグメンテーション品質の高さと一貫性が示された。
• 複数の異なるクラスのターゲットが1枚の画像に存在する複雑なシーンにおいても、モデルは複数のターゲットを正しく検出・分類できたことが、定性的な結果で確認された（最大25ターゲットを含むシーン）。
• 全クラスにおいて、平均精度（0.974）と再現率（0.947）が高く、F1スコアは0.960であった。これは、性能が強くバランスが取れていることを示している。