[논문 리뷰] Joint Embedding and Classification for SAR Target Recognition.

Jiayun Wang, Patrick Virtue외 1명|arXiv (Cornell University)|2017. 12. 05.

Advanced SAR Imaging Techniques인용 수 7

한 줄 요약

이 논문은 SAR 목표 인식에서 강건성과 일반화 능력을 향상시키기 위해 통합 임bedding 및 분류 손실을 제안한다. 임bedded 공간 내 특징 군집화와 최종 분류 정확도를 동시에 최적화함으로써, 특히 분류 레이어에서 임bedding 손실을 적용할 경우, MSTAR 데이터셋에서 뛰어난 성능을 달성하며 학습된 특징 공간에서의 클래스 간 분리가 더욱 명확해진다.

ABSTRACT

Deep learning can be an effective and efficient means to automatically detect and classify targets in synthetic aperture radar (SAR) images, but it is critical for trained neural networks to be robust to variations that exist between training and test environments. The layers in a neural network can be understood to be successive transformations of an input image into embedded feature representations and ultimately into a semantic class label. To address the overfitting problem in SAR target classification, we train neural networks to optimize the spatial clustering of points in the embedded space in addition to optimizing the final classification score. We demonstrate that networks trained with this dual embedding and classification loss outperform networks with only a classification loss. We study placing the embedding loss after different network layers and and found that applying the embedding loss on the classification space results in the best the SAR classification performance. Finally, our visualization of the network's ten-dimensional classification space supports our claim that the embedding loss encourages a better embedding, namely greater separation between target class clusters for both training and testing partitions of the MSTAR dataset.

연구 동기 및 목표

• 학습 데이터와 테스트 데이터 간 도메인 이탈로 인한 과적합 문제를 해결하기 위해.
• 더 나은 특징 공간 군집화를 유도하여 깊이 신경망의 SAR 이미지 인식에서 일반화 능력을 향상시키기 위해.
• 임bedding 손실을 네트워크의 다양한 레이어에 배치했을 때 분류 성능에 미치는 영향을 조사하기 위해.
• 임bedding과 분류의 동시 최적화가 더 분류 능력이 뛰어난 특징 표현을 이끌어내는지 입증하기 위해.

제안 방법

• 교차 엔트로피 분류 손실과 대비 임bedding 손실을 동시에 사용하는 이중 손실 함수를 가진 깊이 신경망을 훈련한다.
• 최종 분류 레이어를 포함한 다양한 네트워크 레이어에서 특징 표현에 임bedding 손실을 적용한다.
• 대비 손실을 사용하여 임bedded 특징 공간 내에서 클래스 간 분리도를 극대화하고 클래스 내 변동성을 최소화한다.
• 분류 손실과 임bedding 손실을 동시에 최적화하여 네트워크를 종단 간(end-to-end)으로 최적화한다.
• 학습된 10차원 분류 공간을 시각화하여 군집 구조와 분리를 분석한다.
• SAR 목표 인식을 위한 표준 지표를 사용하여 MSTAR 벤치마크 데이터셋에서 성능을 평가한다.

실험 결과

연구 질문

• RQ1 분류 전용 훈련에 비해 임bedding과 분류 손실을 동시에 최적화하는 것이 SAR 목표 인식 성능을 향상시키는가?
• RQ2 네트워크 아키텍처에서 어디에 임bedding 손실을 적용할 경우 분류 정확도 향상에 가장 효과적인가?
• RQ3 통합 훈련 전략은 임bedded 특징 공간 내 특징 표현의 군집 구조에 어떤 영향을 미치는가?
• RQ4 임bedding 손실은 SAR 영상에서 학습 및 테스트 데이터 분포 간 일반화 능력을 향상시킬 수 있는가?
• RQ5 임bedding 손실의 위치가 학습된 특징 공간에서의 클래스 간 분리도에 어떤 영향을 미치는가?

주요 결과

• 임bedding 손실과 분류 손실을 모두 사용해 훈련한 네트워크가 분류 손실만 사용한 경우보다 성능이 뛰어나다.
• 분류 레이어에서 임bedding 손실을 적용할 경우 전체 분류 성능가 가장 우수하다.
• 시각화를 통해 10차원 특징 공간에서의 클래스 간 분리도가 임bedding 손실로 크게 향상됨을 확인하였다.
• 통합 훈련 방식은 MSTAR 데이터셋의 학습 및 테스트 파artition 간에 더 강건하고 일반화 능력이 뛰어난 특징 표현을 이끌어낸다.
• 임bedded 공간에서 목표 클래스의 군집화가 향상되어 더 뛰어난 분류 능력을 나타낸다.