Современные проблемы дистанционного зондирования Земли из космоса. 2024. Т. 21. № 1. С. 135-145
Методика преобразования радиолокационных изображений, получаемых с различных РСА, для формирования композитного набора данных для обучения нейронной сети
1 Московский физико-технический институт (НИУ), Долгопрудный, Московская обл., Россия
2 АО «Фирма «Ракурс», Москва, Россия
Одобрена к печати: 07.02.2024
DOI: 10.21046/2070-7401-2024-21-1-135-145
Исследования в области обнаружения и классификации искусственных объектов на радиолокационных снимках, полученных радиолокаторами с синтезированной апертурой антенны космического базирования, являются одними из наиболее перспективных в силу объективных свойств, которыми обладают радиолокационные данные (РЛД). Применение известных корреляционных алгоритмов обнаружения и классификации объектов показывает ограниченную эффективность при работе по широкой номенклатуре классов. Использование же нейросетевых алгоритмов, хорошо зарекомендовавших себя в решении ряда подобных задач по оптическим снимкам, затрудняется отсутствием качественной обучающей выборки и специфическими особенностями радиолокационных изображений (РЛИ). Доступные наборы обучающих РЛД по ряду интересующих классов могут быть получены в другом частотном диапазоне относительно данных, которые планируется обрабатывать. Цель работы заключается в подтверждении возможности совместного обучения нейронной сети на смешанных РЛД, полученных в нескольких частотных диапазонах. В работе предложена методика формирования единой обучающей выборки, состоящей из реальных данных, полученных в разных диапазонах зондирования и в различных комбинациях поляризации. Предложенная методика состоит из последовательных этапов геометрической и радиометрической коррекции РЛИ, а также их нормировки, что позволяет обеспечить согласованность РЛИ из состава обучающей выборки. Для подтверждения эффективности методики выполнен эксперимент с реальными данными по обучению нейронной сети на необработанных объединённых данных и на данных, прошедших предварительную обработку в соответствии с предложенной методикой. По результатам эксперимента сделан вывод о существенном улучшении качества совместного обучения на смешанных РЛД с использованием предложенной методики.
Ключевые слова: радиолокатор с синтезированной апертурой антенны, композитная выборка, нейронная сеть, распознавание, обнаружение и классификация объектов
Полный текстСписок литературы:
- Антонов И. К., Детков А. Н., Ницак Д. А., Тонких А. Н., Цветков О. Е. Воздушная разведка. Автоматизированное дешифрирование радиолокационных изображений. М.: Радиотехника, 2021. 296 с.
- Верба В. С., Неронский Л. Б., Осипов И. Г., Турук В. Э. Радиолокационные системы землеобзора космического базирования. М.: Радиотехника, 2010. 680 с.
- Вьюков Н. А., Елизаветин И. В., Савченко Б. С., Соболев А. В. (2020а) Разработка программного комплекса обнаружения объектов на изображениях, полученных космическими радиолокаторами с синтезированной апертурой антенны // 19-я Международ. конф. «Авиация и космонавтика»: сб. тез. М.: Перо, 2020. С 488–489.
- Вьюков Н. А., Елизаветин И. В., Савченко Б. С., Соболев А. В. (2020б) Методы обнаружения искусственных объектов на снимках, получаемых радиолокаторами космического базирования // Тр. 63-й Всероссийской науч. конф. МФТИ. Аэрокосм. технологии. М.: МФТИ, 2020. С. 18–19.
- Турук В. Э., Верба В. С., Голованова М. В. и др. РСА «Стриж» для малых космических аппаратов «Кондор-Э» // Современные проблемы дистанционного зондирования Земли из космоса. 2017. Т. 14. № 5. С. 69–83. DOI: 10.21046/2070-7401-2017-14-5-69-83.
- Camus B., Barbu C. L., Monteux E. Robust SAR ATR on MSTAR with Deep Learning Models trained on Full Synthetic MOCEM data // arXiv preprint. arXiv:2206.07352. 2022. DOI: 10.48550/arXiv.2206.07352.
- Hui J. MAP (Mean Average Precision) for Object Detection. 2018. https://jonathan-hui.medium.com/map-mean-average-precision-for-object-detection-45c121a31173 (accessed 12.03.2023).
- Inkawhich N., Inkawhich M. J., Davis E. K. et al. Bridging a gap in SAR-ATR: Training on fully synthetic and testing on measured data // IEEE J. Selected Topics in Applied Earth Observations and Remote Sensing. 2021. V. 14. P. 2942–2955. DOI: 10.1109/JSTARS.2021.3059991.
- Lin T. Y., Dollár P., Girshick R. et al. Feature pyramid networks for object detection // Proc. IEEE Conf. Computer Vision and Pattern Recognition. 2017. P. 2117–2125. DOI: 10.48550/arXiv.1612.03144.
- Liu Z., Luo S., Wang Y. Mix MSTAR: A Synthetic Benchmark Dataset for Multi-Class Rotation Vehicle Detection in Large-Scale SAR Images // Remote Sensing. 2023. V. 15. No. 18. Article 4558. DOI: 10.3390/rs15184558.
- Wang H., Chen S., Xu F., Jin Y. Q. Application of deep-learning algorithms to MSTAR data // 2015 IEEE Intern. Geoscience and Remote Sensing Symp. (IGARSS). 2015. P. 3743–3745. DOI: 10.1109/IGARSS.2015.7326637.
- Wu Y., Kirillov A., Massa F., Lo W. Y., Girshick R. Detectron2. 2019. https://github.com/facebookresearch/detectron2 (accessed 20.10.2023).