[论文解读] Graph Neural Network for Accurate and Low-complexity SAR ATR

Bingyi Zhang, Sasindu Wijeratne+3 more|arXiv (Cornell University)|May 11, 2023

Advanced SAR Imaging Techniques被引用 4

一句话总结

该论文提出了一种基于图神经网络（GNN）的合成孔径雷达（SAR）自动目标识别（ATR）方法，在MSTAR和舰船识别数据集上分别实现了99.38%和99.7%的准确率，计算成本仅为最先进CNN模型的1/3000，模型大小仅为其1/80。该方法将SAR图像转换为稀疏图，应用结合顶点注意力和特征注意力的GNN，并通过输入剪枝和权重剪枝显著降低复杂度，同时保持高准确率。

ABSTRACT

Synthetic Aperture Radar (SAR) Automatic Target Recognition (ATR) is the key technique for remote sensing image recognition. The state-of-the-art works exploit the deep convolutional neural networks (CNNs) for SAR ATR, leading to high computation costs. These deep CNN models are unsuitable to be deployed on resource-limited platforms. In this work, we propose a graph neural network (GNN) model to achieve accurate and low-latency SAR ATR. We transform the input SAR image into the graph representation. The proposed GNN model consists of a stack of GNN layers that operates on the input graph to perform target classification. Unlike the state-of-the-art CNNs, which need heavy convolution operations, the proposed GNN model has low computation complexity and achieves comparable high accuracy. The GNN-based approach enables our proposed \emph{input pruning} strategy. By filtering out the irrelevant vertices in the input graph, we can reduce the computation complexity. Moreover, we propose the \emph{model pruning} strategy to sparsify the model weight matrices which further reduces the computation complexity. We evaluate the proposed GNN model on the MSTAR dataset and ship discrimination dataset. The evaluation results show that the proposed GNN model achieves 99.38\% and 99.7\% classification accuracy on the above two datasets, respectively. The proposed pruning strategies can prune 98.6\% input vertices and 97\% weight entries with negligible accuracy loss. Compared with the state-of-the-art CNNs, the proposed GNN model has only 1/3000 computation cost and 1/80 model size.

研究动机与目标

• 解决深度卷积神经网络（CNN）在SAR ATR中计算成本高、内存占用大的问题，以实现在小型卫星等资源受限平台上的部署。
• 利用SAR图像的稀疏性——即仅一小部分像素属于目标——以降低计算负载。
• 开发一种低复杂度、高准确率的GNN模型，通过图表示充分利用结构和特征信息。
• 提出输入剪枝和模型剪枝策略，进一步降低计算量和模型大小，同时保持最小的准确率损失。
• 通过采用注意力机制的GNN架构，在MSTAR和舰船识别数据集上实现最先进性能。

提出的方法

• 通过提取目标像素并基于空间邻近性（如8连通）连接，将输入SAR图像转换为图，形成顶点和边。
• 应用基于GraphSAGE的GNN层堆叠，聚合邻近顶点的特征以学习节点级别的表示。
• 集成顶点注意力和特征注意力机制，动态加权重要节点和特征，提升分类准确率。
• 通过移除信号幅值低于阈值 $I_v$ 的顶点实施输入剪枝，减少输入规模和计算量。
• 通过移除GNN层中幅值低于阈值 $I_w$ 的权重条目实施权重剪枝，降低模型大小和推理成本。
• 采用两阶段训练与剪枝流程：先训练完整模型，再应用剪枝阈值移除冗余顶点和权重。

实验结果

研究问题

• RQ1 基于GNN的模型是否能在显著降低计算成本的同时，实现与最先进CNN相当或更优的准确率？
• RQ2 基于信号幅值的输入剪枝在不降低模型性能的前提下，对减少计算负载有多有效？
• RQ3 权重剪枝在几乎不损失准确率的前提下，能在多大程度上减少模型大小和推理复杂度？
• RQ4 顶点注意力和特征注意力在GNN-based SAR ATR模型中如何共同提升分类准确率？
• RQ5 所提出的GNN模型在未微调预训练的情况下，能否在舰船识别数据集的少样本学习场景中实现良好泛化？

主要发现

• 所提出的GNN模型在MSTAR数据集上实现99.38%的分类准确率，在舰船识别数据集上实现99.7%的准确率，优于基线CNN在准确率和效率方面表现。
• 在 $I_v = 0.2$ 的输入剪枝下，98.6%的输入顶点被移除，同时保持98.5%的准确率，证明了对稀疏性的有效利用。
• 在 $I_w = 10^7$ 的权重剪枝下，97%的权重条目被移除且准确率无下降，表明模型权重中存在高度冗余。
• 顶点注意力与特征注意力的结合使准确率提升至99.38%，高于仅使用顶点注意力的99.26%和仅使用特征注意力的98.51%。
• 在少样本学习中，所提出的模型在所有样本数设置（$K = 1$ 到 $10$）下均优于微调的CNN基线，在 $K=5$ 时达到最高99.7%的准确率。
• 与最先进CNN相比，所提出的GNN模型将计算成本降低了3000倍，模型大小缩小了80倍，实现了在低功耗平台上的部署。