ИРЭ им. В.А. Котельникова РАН English Войти Подать статью
Журнал радиоэлектроники Электронный научный журнал · eISSN 1684-1719
2022, № 6 · ИНФОРМАЦИОННЫЕ МЕТОДЫ РАДИОЛОКАЦИИ И ЭЛЕМЕНТНАЯ БАЗА

Детектирование объектов военной техники с использованием сверточной нейронной сети на радиолокационных изображениях, сформированных в условиях шумовых помех

И.Ф. Купряшкин1

1 Военный учебно-научный центр Военно-воздушных сил «Военно-воздушная академия имени профессора Н.Е. Жуковского и Ю.А. Гагарина» (г. Воронеж), Воронеж, Россия
Полный текст DOI: 10.30898/1684-1719.2022.6.8 УДК 621.396.96 EDN JDFMSY

Аннотация

Приведено описание детектора отметок объектов на радиолокационных изображениях, реализующего обнаружение локальных неоднородностей с помощью алгоритма CFAR с их последующей двухальтернативной классификацией («объект» или «фон») глубокой сверточной нейронной сетью. С использованием данных набора MSTAR показано, что в случае однородного фона работу детектора можно считать удовлетворительной при отношении сигнал/помеха на изображении 5 дБ и более, и полностью сорванной при отношении сигнал/помеха менее минус 5 дБ.

  • лубокая сверточная нейронная сеть
  • радиолокационное изображение
  • точность классификации
  • детектирование объектов
Abstract (in English)

Military objects detection using a convolutional neural network on radar images formed in jamming conditions

The objects detector on radar images description is given, which implements the local inhomogeneities detection using the CFAR algorithm with their subsequent two-alternative classification («object» or «background») by a deep convolutional neural networkю. Using the MSTAR dataset, it was shown that in the case of a homogeneous background, the detection results can be considered satisfactory if SNR on image is more than 5 dB, and completely disrupted if SNR less then minus 5 dB.

Для цитирования

Купряшкин И.Ф. Детектирование объектов военной техники с использованием сверточной нейронной сети на радиолокационных изображениях, сформированных в условиях шумовых помех // Журнал радиоэлектроники. – 2022. – № 6. https://doi.org/10.30898/1684-1719.2022.6.8

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. https://doi.org/10.1186/s40537-021-00444-8
  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. 2020. https://arxiv.org/abs/2006.10027
  5. Купряшкин И.Ф., Лихачев В.П., Рязанцев Л.Б. Малогабаритные многофункциональные РЛС с непрерывным частотно-модулированным излучением. Москва, Радиотехника. 2020. 279 c.
  6. Купряшкин И.Ф., Лихачев В.П. Космическая радиолокационная съемка земной поверхности в условиях помех. Воронеж, Научная книга. 2014. 460 с.
  7. Wang H., Chen S., Xu F., Jin Y.-Q. Application of Deep-Learning Algorithms to MSTAR data. IEEE International Geoscience and Remote Sensing Symposium (IGARSS). 2015. P.3743-3745. https://doi.org/10.1109/IGARSS.2015.7326637
  8. 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
  9. 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
  10. Chen S., Wang H. SAR Target Recognition Based on Deep Learning.International Conference on Data Science and Advanced Analytics (DSAA). 2014. P.541-547. https://doi.org/10.1109/DSAA.2014.7058124
  11. 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
  12. Furukawa H. Deep Learning for End-to-End Automatic Target Recognition from Synthetic Aperture Radar Imagery. ArXiv. 2018. https://arxiv.org/abs/1801.08558
  13. 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. 14 May 2016. https://doi.org/10.1117/12.2225934
  14. 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
  15. 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. 14 May 2016. https://doi.org/10.1117/12.2220290
  16. 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
  17. Xinyan F., Weigang Z. Research on SAR Image Target Recognition Based on Convolutional Neural Network. Journal of Physics: Conference Series. 2019. V.1213. №4. https://doi.org/10.1088/1742-6596/1213/4/042019
  18. 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
  19. 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
  20. 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.
  21. 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.
  22. Биленко С. В., Чередеев К. Ю., Зограбян М. К. Перспективы использования глубоких нейронных сетей в радиолокации. Вопросы радиоэлектроники. 2017. №1. С.57-63.
  23. 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.
  24. Chang Y.-L., Anagaw A., Chang L., Wang Y.-C., Hsiao C.-Y., Lee W.-H. Ship Detection Based on YOLOv2 for SAR Imagery. Remote Sensing. 2019. V.11. P.786. https://doi.org/10.3390/rs11070786
  25. Cui Z., Tang C., Cao Z., Liu N. D-ATR for SAR Images Based on Deep Neural Networks. Remote Sensing. 2019. V.11. P.906. https://doi.org/10.3390/rs11080906
  26. 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
  27. El-Darymli Kh., McGuire P., Power D., Moloney C. Target Detection in SAR Imagery: a state-of-the-art-survey. Journal of Applied Remote Sensing. 2013. V.7. https://doi.org/10.1117/1.JRS.7.071598
  28. Blacknell D., Vignaud L. ATR of Ground Targets: Fundamentals and Key Challenges. Radar Automatic Target Recognition and Non-Cooperative Target Recognition. P.5-36. https://doi.org/10.1049/PBRA033E
  29. Сирота А.А., Митрофанова Е.Ю., Милованова А.И. Анализ алгоритмов поиска объектов на изображениях с использованием различных модификаций сверточных нейронных сетей. Вестник ВГУ, Серия "Системный анализ и информационные технологии". 2019. №3. C.123-137. https://doi.org/10.17308/sait.2019.3/1313
  30. Береснев А.П., Зоев И.В., Марков Н.Г. Исследование сверточных нейронных сетей класса YOLO для мобильных систем детектирования объектов на изображениях. GraphiCon 2018 Компьютерное зрение. 2018. С.196-199.
  31. Chen L., Zhou L., Liu J. Aircraft Recognition from Remote Sensing Images Based on Machine Vision. Journal of Information Processing Systems. 2020. V.16. № 4. P.795-808. https://doi.org/10.3745/JIPS.02.0136
  32. Воронов С.В., Мухометзянов Р.Н., Воронов И.В., Шрамов В.А. Обнаружение и распознавание дорожных знаков в реальном времени на мобильных устройствах. Автоматизация процессов управления. 2018. №2 (52). С.105-111.
  33. Ерохин Д.Ю., Ершов М.Д. Современные сверточные нейронные сети для обнаружения и распознавания объектов. Цифровая обработка сигналов. 2018. №3. С.64-69.
  34. Kechagias-Stamatis O., Aouf N. Automatic Target Recognition on Synthetic Aperture Radar Imagery: A Survey. ArXiv. 2021. https://arxiv.org/abs/2007.02106
  35. Шолле Ф. Глубокое обучение на Python. Санкт-Петербург, Питер. 2018. 400 с.
  36. Николенко С., Кадурин А., Архангельская Е. Глубокое обучение. Санкт-Петербург, Питер. 2018. 480 с.