講演名 2017-08-24
Deep Learning for Target Classification from SAR Imagery
古川 英俊(東芝インフラシステムズ),
PDFダウンロードページ PDFダウンロードページへ
抄録(和) 本報告では,合成開口レーダ(SAR)画像から自動目標認識(ATR)を行うための畳み込みニューラルネットワーク(CNN)の平行移動不変性について検討する.ここで,SAR ATR用CNNの平行移動不変性は,SAR画像から抽出された目標チップのミスアライメントに対するロバスト性を表している.この平行移動不変性を理解するために,MSTARの目標チップを10クラスに分類するCNNをデータ拡張有/無の条件で学習させ,CNNの平行移動不変性を可視化した.この結果,MSTARの目標チップのようなアライメントされた画像をデータ拡張せずに用いるCNNの平行移動不変性は,ディープ・レジデュアル・ネットワークを使用してもあまり大きくなく,拡張した学習データの使用が,平行移動不変性のより重要な要素であることが分かった.更に,データ拡張を行ったCNNは,最高水準の分類精度99.6%を達成した.これらの結果は,ドメイン特有のデータ拡張の重要性を示している.
抄録(英) This report deals with translation invariance of convolutional neural networks (CNNs) for automatic target recognition (ATR) from synthetic aperture radar (SAR) imagery. In particular, the translation invariance of CNNs for SAR ATR represents the robustness against misalignment of target chips extracted from SAR images. To understand the translation invariance of the CNNs, we trained CNNs which classify the target chips from the MSTAR into the ten classes under the condition of with and without data augmentation, and then visualized the translation invariance of the CNNs. According to our results, even if we use a deep residual network, the translation invariance of the CNN without data augmentation using the aligned images such as the MSTAR target chips is not so large. A more important factor of translation invariance is the use of augmented training data. Furthermore, our CNN using augmented training data achieved a state-of-the-art classification accuracy of 99.6%. These results show an importance of domain-specific data augmentation.
キーワード(和) 合成開口レーダ / 自動目標認識 / 目標分類 / 深層学習 / 畳み込みニューラルネットワーク / データ拡張 / 平行移動不変性 / レジデュアル・ネットワーク
キーワード(英) synthetic aperture radar (SAR) / automatic target recognition (ATR) / target classification / deep learning / convolutional neural network (CNN) / data augmentation / translation invariance / residual network
資料番号 SANE2017-30
発行日 2017-08-17 (SANE)

研究会情報
研究会 SANE
開催期間 2017/8/24(から2日開催)
開催地(和) 大阪工業大学梅田キャンパス
開催地(英) OIT UMEDA Campus
テーマ(和) 航法・交通管制,レーダ,リモートセンシング及び一般
テーマ(英) Navigation, Trafic control, Radar, Remote Sensing and general issues
委員長氏名(和) 福島 荘之介(電子航法研)
委員長氏名(英) Sonosuke Fukushima(ENRI)
副委員長氏名(和) 森山 敏文(長崎大) / 灘井 章嗣(NICT)
副委員長氏名(英) Toshifumi Moriyama(Nagasaki Univ.) / Akitsugu Nadai(NICT)
幹事氏名(和) 小幡 康(三菱電機) / 毛塚 敦(電子航法研)
幹事氏名(英) Yasushi Obata(Mitsubishi Electric) / Atsushi Kezuka(ENRI)
幹事補佐氏名(和) 秋田 学(電通大) / 夏秋 嶺(東大)
幹事補佐氏名(英) Manabu Akita(Univ. of Electro-Comm.) / Ryo Natsuaki(Univ. of Tokyo)

講演論文情報詳細
申込み研究会 Technical Committee on Space, Aeronautical and Navigational Electronics
本文の言語 ENG
タイトル(和)
サブタイトル(和)
タイトル(英) Deep Learning for Target Classification from SAR Imagery
サブタイトル(和) Data Augmentation and Translation Invariance
キーワード(1)(和/英) 合成開口レーダ / synthetic aperture radar (SAR)
キーワード(2)(和/英) 自動目標認識 / automatic target recognition (ATR)
キーワード(3)(和/英) 目標分類 / target classification
キーワード(4)(和/英) 深層学習 / deep learning
キーワード(5)(和/英) 畳み込みニューラルネットワーク / convolutional neural network (CNN)
キーワード(6)(和/英) データ拡張 / data augmentation
キーワード(7)(和/英) 平行移動不変性 / translation invariance
キーワード(8)(和/英) レジデュアル・ネットワーク / residual network
第 1 著者 氏名(和/英) 古川 英俊 / Hidetoshi Furukawa
第 1 著者 所属(和/英) 東芝インフラシステムズ株式会社(略称:東芝インフラシステムズ)
Toshiba Infrastructure Systems & Solutions Corporation(略称:Toshiba Infrastructure Systems & Solutions)
発表年月日 2017-08-24
資料番号 SANE2017-30
巻番号(vol) vol.117
号番号(no) SANE-182
ページ範囲 pp.13-17(SANE),
ページ数 5
発行日 2017-08-17 (SANE)