ИРЭ им. В.А. Котельникова РАН English Войти Подать статью
Журнал радиоэлектроники Электронный научный журнал · eISSN 1684-1719
2021, № 11 · ИНФОРМАЦИОННЫЕ МЕТОДЫ РАДИОЛОКАЦИИ И ЭЛЕМЕНТНАЯ БАЗА

Сравнительные результаты точности классификации радиолокационных изображений объектов набора MSTAR сверточными нейронными сетями с различными архитектурами

И.Ф. Купряшкин1

1 Военно-воздушная академия имени профессора Н.Е. Жуковского и Ю.А. Гагарина, Воронеж, Россия
Полный текст (PDF) DOI: 10.30898/1684-1719.2021.11.14 УДК 621.396.96 EDN TKNOVO

Аннотация

Приведены результаты классификации отметок объектов десяти классов (из открытой части набора MSTAR) на радиолокационных изображениях с использованием глубокой сверточной нейронной сети VGG-типа с восемью сверточными слоями. Максимальная точность, достигнутая сетью, составила 97,91%. Кроме того, приведены результаты работы сетей MobileNetV1, Xception, InceptionV3, ResNet50, InceptionResNetV2, DenseNet121, подготовленных с использованием техники переноса обучения. Показано, что в рассматриваемой задаче применение перечисленных предобученных сверточных сетей не дало улучшения точности классификации, составившей от 93,79% до 97,36%. Установлено, что даже ненаблюдаемые визуально локальные особенности фона местности вблизи каждого типа объекта способны обеспечить точность классификации порядка 51% (а не ожидаемые 10% при десятиальтернативной классификации) даже при отсутствии отметок объектов и их теней. Описан порядок подготовки обучающих данных, обеспечивающий исключение влияния фона местности на результат нейросетевой классификации.

  • глубокая сверточная нейронная сеть
  • перенос обучения
  • радиолокационное изображение
  • точность классификации
Abstract (in English)

Comparative results of the classification accuracy of MSTAR dataset radar images by convolutional neural networks with different architectures

The results of MSTAR objects ten-classes classification using a VGG-type deep convolutional neural network with eight convolutional layers are presented. The maximum accuracy achieved by the network was 97.91%. In addition, the results of the MobileNetV1, Xception, InceptionV3, ResNet50, InceptionResNetV2, DenseNet121 networks, prepared using the transfer learning technique, are presented. It is shown that in the problem under consideration, the use of the listed pretrained convolutional networks did not improve the classification accuracy, which ranged from 93.79% to 97.36%. It has been established that even visually unobservable local features of the terrain background near each type of object are capable of providing a classification accuracy of about 51% (and not the expected 10% for a ten-alternative classification) even in the absence of object and their shadows. The procedure for preparing training data is described, which ensures the elimination of the influence of the terrain background on the result of neural network classification.

Для цитирования

Купряшкин И.Ф. Сравнительные результаты точности классификации радиолокационных изображений объектов набора MSTAR сверточными нейронными сетями с различными архитектурами // Журнал радиоэлектроники. – 2021. – № 11. https://doi.org/10.30898/1684-1719.2021.11.14

Литература

  1. Alzubaidi L., Zhang J., Humaidi A.J., Al-Dujaili A., Duan Y., Al-Shamma O., Santamaria J., Fadhel M.A., Al-Amidie M., Farhan L. Review Of Deep Learning: Concepts, CNN Architectures, Challenges, Applications, Future Directions. Journal of Big Data. 2021. V.8. №53.
  2. Rawat W., Wang Z. Deep Convolutional Neural Networks for Image Classification: A Comprehensive Review. Neural Computation. 2017. V.29. P.2352-2449. https://doi.org/10.1162/neco_a_00990
  3. Созыкин А.В. Обзор методов обучения глубоких нейронных сетей. Вестник ЮУрГУ. Серия "Вычислительная математика и информатика". 2017. Т.6. №3. C.28-59. https://doi.org/10.14529/cmse170303
  4. Zhu X., Montazeri S., Ali M., Hua Yu., Wang Yu., Mou L., Shi Yi., Xu F., Bamler R. Deep Learning Meets SAR. ArXiv. https://arxiv.org/abs/2006.10027
  5. Wang P., Patel V.M. Generating High Quality Visible Images from SAR Images Using CNNs. ArXiv. 2018. https://arxiv.org/abs/1802.10036
  6. Rittenbach A., Walters J.P. RDAnet: A Deep Learning Based Approach for Synthetic Aperture Radar Image Formation. ArXiv. 2020. https://arxiv.org/abs/2001.08202
  7. Hu C., Wang L., Li Z., Zhu D. Inverse Synthetic Aperture Radar Imaging Using a Fully Convolutional Neural Network. IEEE Geoscience and Remote Sensing Letters. 2020. V.17. №7. P.1203-1207. https://doi.org/10.1109/LGRS.2019.2943069
  8. Wang H., Chen S., Xu F., Jin Y.-Q. Application of Deep-Learning Algorithms to MSTAR Data. 2015 IEEE International Geoscience and Remote Sensing Symposium (IGARSS). 2015. P.3743-3745. https://doi.org/10.1109/IGARSS.2015.7326637
  9. Chen S., Wang H., Xu F., Jin Y.-Q. Target Classification Using the Deep Convolutional Networks for SAR Images. IEEE Transaction Geoscience and Remote Sensing. 2016. V.54. №8. P.4806-4817. https://doi.org/10.1109/TGRS.2016.2551720
  10. Anas H., Majdoulayne H., Chaimae A., Nabil S.M. Deep Learning for SAR Image Classification.Intelligent Systems and Applications. 2020. P.890-898. https://doi.org/10.1007/978-3-030-29516-5_67
  11. Chen S., Wang H. SAR Target Recognition Based on Deep Learning. 2014 International Conference on Data Science and Advanced Analytics (DSAA). 2014. P.541-547. https://doi.org/10.1109/DSAA.2014.7058124
  12. Coman C., Thaens R. A Deep Learning SAR Target Classification Experiment on MSTAR Dataset. 2018 19th International Radar Symposium (IRS). 2018. P.1-6. https://doi.org/10.23919/IRS.2018.8448048
  13. Furukawa H. Deep Learning for End-to-End Automatic Target Recognition from Synthetic Aperture Radar Imagery. ArXiv. https://arxiv.org/abs/1801.08558
  14. Profeta A., Rodriguez A., Clouse H.S. Convolutional Neural Networks for Synthetic Aperture Radar Classification. Proc. SPIE 9843, Algorithms for Synthetic Aperture Radar Imagery XXIII, 98430M. https://doi.org/10.1117/12.2225934
  15. Wang Z., Xu X. Efficient deep convolutional neural networks using CReLU for ATR with limited SAR images. The Journal of Engineering. 2019. V.2019. №21. P.7615-7618. https://doi.org/10.1049/joe.2019.0567
  16. Wilmanski M., Kreucher C., Lauer J. Modern Approaches in Deep Learning for SAR ATR. Proc. SPIE 9843, Algorithms for Synthetic Aperture Radar Imagery XXIII, 98430N. https://doi.org/10.1117/12.2220290
  17. Xie Yi., Dai W., Hu Z., Liu Yi., Li C., Pu X. A Novel Convolutional Neural Network Architecture for SAR Target Recognition. Journal of Sensors. 2019. https://doi.org/10.1155/2019/1246548
  18. Xinyan F., Weigang Z. Research on SAR Image Target Recognition Based on Convolutional Neural Network. Journal of Physics: Conference Series. 2019. V.1213(2019) 042019. https://doi.org/10.1088/1742-6596/1213/4/042019
  19. Zhai J., Dong G., Chen F., Xie X., Qi C., Li L. A Deep Learning Fusion Recognition Method Based On SAR Image Data. 2018 International Conference on Identifiation, Information and Knowledge in the Internet of Things. Procedia Computer Science. 2019. V.147. P.533-541. https://doi.org/10.1016/j.procs.2019.01.229
  20. LeCun Y., Bottou L., Bengio Y., Haffner P. Gradient-Based Learning Applied to Document Recognition. Proceedings Of The IEEE. 1998. V.86. №11. P.2278-2324. https://doi.org/10.1109/5.726791
  21. Krizhevsky A., Sutskever I., Hinton G.E. ImageNet Classification with Deep Convolutional Neural Networks.Communications of the ACM. 2017. V.60. №6. P.84-90. https://doi.org/10.1145/3065386
  22. Gao F., Huang T., Sun J., Wang J., Hussain A., Yang E. A New Algorithm of SAR Image Target Recognition based on Improved Deep Convolutional Neural Network. Cognitive Computation. 2019. V.11. P.809-824. https://doi.org/10.1007/s12559-018-9563-z
  23. Malmgren-Hansen D., Engholm R., Østergaard Pedersen M. Training Convolutional Neural Networks for Translational Invariance on SAR ATR. Proceedings of EUSAR 2016: 11th European Conference on Synthetic Aperture Radar. 2016. P.459-462.
  24. Бородинов А.А., Мясников В.В. Сравнение алгоритмов классификации радарных изображений при различных методах предобработки на примере базы MSTAR. Сборник трудов IV международной конференции и молодежной школы "Информационные технологии и нанотехнологии" (ИТНТ-2018). Самара, Новая техника. 2018. С.586-594.
  25. Татузов А.Л. Нейронные сети в задачах радиолокации. Кн. 28. Москва, Радиотехника. 2009. 432 с.
  26. Биленко С.В., Чередеев К. Ю., Зограбян М. К. Перспективы использования глубоких нейронных сетей в радиолокации. Вопросы радиоэлектроники. 2017. №1. С.57-63.
  27. Казачков Е.А., Матюгин С.Н., Попов И.В., Шаронов В.В. Обнаружение и классификация малоразмерных объектов на изображениях, полученных радиолокационными станциями с синтезированной апертурой. Вестник Концерна ВКО "Алмаз - Антей". 2018. №1. С.93-99.
  28. Чорбаа Н.А., Ле Ань Ту, Толстой И.М. Сравнительный анализ методов детектирования объектов на радиолокационных изображениях при помощи нейронных сетей. Научный результат. Информационные технологии. 2020. Т.5. №4. С.15-25. https://doi.org/10.18413/2518-1092-2020-5-4-0-3
  29. Kechagias-Stamatis O., Aouf N. Automatic Target Recognition on Synthetic Aperture Radar Imagery: A Survey. ArXiv. https://arxiv.org/abs/2007.02106
  30. Шолле Ф. Глубокое обучение на Python. Санкт-Петербург, Питер. 2018. 400 с.
  31. Николенко С., Кадурин А., Архангельская Е. Глубокое обучение. Санкт-Петербург, Питер. 2018. 480 с.
  32. Agarwal T., Sugavanam N., Ertin E. Sparse Signal Models for Data Augmentation in Deep Learning ATR. ArXiv. https://arxiv.org/abs/2012.09284
  33. Furukawa H. Deep Learning for Target Classification from SAR Imagery Data Augmentation and Translation Invariance. ArXiv. https://arxiv.org/abs/1708.07920
  34. Malmgren-Hansen D., Kusk A., Dall J., Nielsen A. A., Engholm R., Skriver H. Improving SAR Automatic Target Recognition Models with Transfer Learning from Simulated Data. IEEE Geoscience and Remote Sensing Letters. 2017. V.14(9). P.1484-1488. https://doi.org/10.1109/LGRS.2017.2717486
  35. Wang J., Virtue P., Yu S.X. Joint Embedding and Classification for SAR Target Recognition. ArXiv. https://arxiv.org/abs/1712.01511
  36. Simonyan K., Zisserman A. Very Deep Convolutional Networks For Large-Scale Image Recognition. ArXiv. https://arxiv.org/abs/1409.1556
  37. Huang Z., Pan Z., Lei B. What, Where and How to Transfer in SAR Target Recognition Based on Deep CNNs. ArXiv. https://arxiv.org/abs/1906.01379
  38. Szegedy C., Liu W., Jia Ya., Sermanet P., Reed S., Anguelov D., Erhan D., Vanhoucke V., Rabinovic A. Going deeper with convolutions. ArXiv. https://arxiv.org/abs/1409.4842
  39. Szegedy C., Vanhoucke V., Ioffe S., Shlens J., Wojna Z. Rethinking the Inception Architecture for Computer Vision. ArXiv. https://arxiv.org/abs/1512.00567
  40. He K., Zhang X., Ren S., Sun J. Deep Residual Learning for Image Recognition. ArXiv. https://arxiv.org/abs/1512.03385
  41. Szegedy C., Vanhoucke V., Ioffe S. Inception-v4, Inception-ResNet and the Impact of Residual Connections on Learning. ArXiv. https://arxiv.org/abs/1602.07261
  42. Chollet F. Xception: Deep Learning with Depthwise Separable Convolutions. ArXiv. https://arxiv.org/abs/1610.02357
  43. Huang G., Liu Z., van der Maaten L. Densely Connected Convolutional Networks. ArXiv. https://arxiv.org/abs/1608.06993
  44. Howard A.G., Zhu M., Chen B., Kalenichenko D. MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications. ArXiv. https://arxiv.org/abs/1704.04861