[论文解读] SAVERS: SAR ATR with Verification Support Based on Convolutional Neural Network

Hidetoshi Furukawa|arXiv (Cornell University)|May 14, 2018

Advanced SAR Imaging Techniques被引用 4

一句话总结

本文提出SAVERS，一种用于端到端合成孔径雷达（SAR）自动目标识别（ATR）的单阶段卷积神经网络（CNN），可同时执行粗粒度（区域级）和细粒度（像素级）分割。该方法可对任意尺寸SAR图像中的多个目标类别及背景（杂波）进行像素级分类，在MSTAR数据集上经平均池化后实现98.6%的分类准确率，支持自动化目标检测与验证。

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.

研究动机与目标

• 开发一种端到端SAR ATR系统，消除对独立检测、区分与分类阶段的需求。
• 实现在任意尺寸SAR图像中对多个目标类别及背景（杂波）进行像素级分类。
• 通过提供像素级分割输出及类别得分，支持人工验证。
• 通过统一的分割与分类，提升在多目标与多类别SAR场景下的鲁棒性。

提出的方法

• SAVERS采用编码器-解码器CNN架构，处理任意尺寸SAR图像，并输出包含每个像素类别得分的SAR ATR图像。
• 网络通过监督学习在SAR图像-标签对上进行端到端训练，其中标签将每个像素分配至十个目标类别之一或背景类别。
• 通过在编码器最终特征图上应用平均池化，实现粗粒度分割，生成区域级分类得分。
• 细粒度分割输出每个像素的类别得分，支持对多个目标的精确定位。
• 在训练过程中最小化损失函数L(θ)，以优化网络参数θ，实现准确的像素级分类。
• 模型利用MSTAR数据集（11个类别：10个目标 + 背景）和AdaptSAPS的杂波样本进行训练与评估。

实验结果

研究问题

• RQ1 单一CNN架构能否有效实现兼具粗粒度与细粒度分割的端到端SAR ATR？
• RQ2 编码器输出（经平均池化后）的分类准确率与标准目标芯片分类方法相比如何？
• RQ3 在多目标场景下，该模型在区分目标与杂波芯片方面的能力如何？
• RQ4 该模型的输出在通过像素级分割支持人工验证方面有多高效？

主要发现

• 粗粒度分割输出（经平均池化后）的分类准确率达到98.6%（2624/2662个样本），表明在MSTAR测试集上表现优异。
• 背景类别的召回率为100%，表明所有杂波芯片均被正确分类为非目标，但因部分目标芯片被误分类为背景，精确率为90.3%。
• 背景类别的F1分数为0.949，反映出精确率与召回率之间良好的平衡。
• 对于单个目标类别，F1分数范围为0.980（D7）至0.997（BMP2），表明分类具有高度可靠性。
• （背景类别softmax值的1 - ）直方图显示，99%的目标芯片的背景概率低于0.01，证实了与背景的强分离性。
• 在多类别与多目标场景中，SAVERS成功定位并分类了两个不同目标，类别与形状预测均与真实标签一致，验证有效。