[논문 리뷰] Moving target inference with hierarchical Bayesian models in synthetic aperture radar imagery

Gregory E. Newstadt, Edmund G. Zelnio외 1명|arXiv (Cornell University)|2013. 02. 19.

Advanced SAR Imaging Techniques참고 문헌 27인용 수 3

한 줄 요약

이 논문은 합성(aperture) 레이더(SAR) 영상에서 이동 목표 추론을 위한 계층적 베이지안 모델을 제안하며, 잡음성분인 군집(clutter), 안테나 캘리브레이션 오차, 스펙클 등을 포함한 혼란 요소들(nuisance parameters)과 목표 상태를 통합된 확률적 프레임워크를 통해 동시 추정한다. 공액 사전분포와 몬테카를로 샘플링을 활용함으로써 최소한의 튜닝으로 완전히 데이터 기반의 추론을 가능하게 하여, 합성 및 측정된 SAR 데이터셋 모두에서 최신 기술보다 뛰어난 성능을 보였다.

ABSTRACT

In synthetic aperture radar (SAR), images are formed by focusing the response of stationary objects to a single spatial location. On the other hand, moving targets cause phase errors in the standard formation of SAR images that cause displacement and defocusing effects. SAR imagery also contains significant sources of non-stationary spatially-varying noises, including antenna gain discrepancies, angular scintillation (glints) and complex speckle. In order to account for this intricate phenomenology, this work combines the knowledge of the physical, kinematic, and statistical properties of SAR imaging into a single unified Bayesian structure that simultaneously (a) estimates the nuisance parameters such as clutter distributions and antenna miscalibrations and (b) estimates the target signature required for detection/inference of the target state. Moreover, we provide a Monte Carlo estimate of the posterior distribution for the target state and nuisance parameters that infers the parameters of the model directly from the data, largely eliminating tuning of algorithm parameters. We demonstrate that our algorithm competes at least as well on a synthetic dataset as state-of-the-art algorithms for estimating sparse signals. Finally, performance analysis on a measured dataset demonstrates that the proposed algorithm is robust at detecting/estimating targets over a wide area and performs at least as well as popular algorithms for SAR moving target detection.

연구 동기 및 목표

• 위상 오차, 군집, 스펙클 및 반사광(glint)과 같은 비정상적 잡음원으로 인해 복잡한 SAR 영상에서 이동 목표를 탐지하고 추정하는 문제에 대응한다.
• 물리적, 운동학적, 통계적 사전분포를 통합한 통합된 베이지안 모델을 통해 목표 상태와 혼란 요소(예: 군집 분포, 안테나 감도, 위상 오차)를 동시에 추정한다.
• 마르코프 체인 몬테카를로(MCMC) 샘플링을 통해 하이퍼파rameter를 데이터로부터 직접 추정함으로써 수동 튜닝을 최소화하는 완전히 데이터 기반의 추론 프레임워크를 개발한다.
• 군집 및 잡음 성분의 공간적으로 변화하는 통계와 정합성(coherence)을 모델링하여 광역 SAR 영상에서 이동 목표 탐지의 강건성과 정확도를 향상시킨다.

제안 방법

• SAR 영상 데이터를 배경 군집, 목표 서명, 스펙클, 반사광, 캘리브레이션 오차, 추가성 잡음으로 분해하는 계층적 베이지안 모델을 수립하며, 각 요소는 고유한 통계적 분포를 가진다.
• 군집 및 잡음을 복소수 정규분포로 모델링하고, 효율적인 사후분포 샘플링을 위해 공액 사전분포(Inverse-Wishart 및 Beta)를 하이퍼파rameter에 적용한다.
• 공간적으로 변화하는 픽셀 통계를 기반으로 객체 클래스 할당(예: 식생, 건물)을 추론하기 위해 다항-디리클레 공액 쌍을 사용한다.
• 조건부 공액성을 활용하여 메트로폴리스-하스팅스 방법을 통해 정합성 파ram터(ρ) 및 상관행렬(Γρ)을 동시 사후 샘플링하는 전략을 구현한다.
• 이동 목표를 위한 희박 신호 모델을 적용하며, 지표자료 δf,iM(p)를 사용해 목표 존재 여부를 표현하고, 희박성과 적응성을 확보하기 위해 베타-베르누이 사전분포를 사용한다.
• 몬테카를로 방법을 통해 목표 상태 및 혼란 요소에 대한 전체 사후분포를 계산함으로써 고정 알고리즘 튜닝에 의존하지 않는다.

실험 결과

연구 질문

• RQ1 최소한의 사용자 튜닝으로 SAR 영상에서 이동 목표 상태와 혼란 요소(예: 군집, 캘리브레이션 오차)를 통합된 베이지안 모델로 동시에 추정할 수 있는 방법은 무엇인가?
• RQ2 계층적 베이지안 모델링은 공간적으로 변화하는 잡음과 군집을 포함한 다양한 SAR 환경에서 이동 목표 탐지의 강건성을 얼마나 향상시킬 수 있는가?
• RQ3 제안된 모델은 합성 및 실제 SAR 데이터 모두에서 희박한 이동 목표를 탐지하는 데 최신 기술보다 뛰어난 성능을 보일 수 있는가?
• RQ4 모델은 SAR 영상에서 복잡하고 비정상적인 잡음원(예: 각도 스펙클(glint), 공간적으로 변화하는 스펙클)을 얼마나 효과적으로 다룰 수 있는가?

주요 결과

• 제안된 계층적 베이지안 모델은 희박 신호 추정을 위한 합성 SAR 데이터셋에서 최신 기술과 경쟁 가능한 성능을 달성하며, 뛀난 추론 정확도를 입증하였다.
• 측정된 SAR 데이터셋에서 알고리즘이 광역 영역에서 이동 목표를 성공적으로 탐지하고 추정하였으며, 복잡하고 비정상적인 잡음 및 군집에 대해 강건함을 보였다.
• 군집 분포나 안테나 캘리브레이션에 대한 사전 지식이 필요 없이도 직접 데이터로부터 추정함으로써 효과적인 군집 억제와 목표 탐지를 달성하였다.
• 공액 사전분포와 MCMC 샘플링의 사용으로 최소한의 수동 튜닝으로 전체 사후분포 추론이 가능해져 히ュ리스틱한 파라미터 선택에 대한 의존도를 감소시켰다.
• Inverse-Wishart 및 Beta 사전분포를 통해 군집, 스펙클, 반사광의 공간적으로 변화하는 통계를 정합성 및 상관관계 구조를 모델링함으로써 효과적으로 포착하였다.
• 성능 분석 결과, 알고리즘이 인기 있는 SAR 이동 목표 탐지 방법들과 동등하거나 그 이상의 성능을 보였으며, 전체 사후 불확실성 정량화를 제공함을 확인하였다.