Combining SAR Simulators to Train ATR Models with Synthetic Data
Created by
- Haebom
Category
Empty
저자
Benjamin Camus (DGA.MI), Julien Houssay (DGA.MI), Corentin Le Barbu (DGA.MI), Eric Monteux (DGA.MI), Cedric Saleun (DGA.MI), Christian Cochin (DGA.MI)
개요
본 논문은 합성 개구 레이더 (SAR) 영상의 자동 표적 인식 (ATR)을 수행하기 위해 딥러닝 모델을 훈련하는 것을 목표로 한다. 실제 레이블 측정 데이터 부족 문제를 해결하기 위해 SAR 시뮬레이터를 사용하여 합성 데이터를 생성한다. 시뮬레이션을 통해 가상 환경을 완벽하게 제어할 수 있으며, 이를 통해 대규모의 다양한 데이터 세트를 자유롭게 생성할 수 있다. 하지만, 시뮬레이션은 현실 세계에 대한 단순화된 가정에 기반하므로, 합성 데이터 세트는 실제 측정 데이터를 충분히 대표하지 못한다. 이로 인해 합성 이미지로 훈련된 ATR 모델은 실제 측정 데이터에 대해 잘 일반화되지 못한다. 본 논문의 주요 기여는 두 가지이다. 첫째, 시뮬레이션 패러다임이 ATR에 미치는 영향을 입증하고 정량화한다. 둘째, 서로 다른 (하지만 상호 보완적인) 패러다임에 기반한 두 개의 SAR 시뮬레이터를 결합하여 합성 데이터 세트를 생성하는 새로운 ATR 접근 방식을 제안한다. 이를 위해 산란 중심 모델 접근 방식의 MOCEM과 광선 추적 전략의 Salsa 시뮬레이터를 사용하고, ADASCA 딥러닝 접근 방식을 통해 ATR 모델을 훈련한다. MSTAR 측정 데이터에 대해 약 88%의 정확도를 달성한다.
시사점, 한계점
•
시사점:
◦
SAR 시뮬레이터를 이용한 ATR 모델 훈련 가능성 입증.
◦
서로 다른 시뮬레이터 결합을 통한 ATR 성능 향상 가능성 제시.
◦
ADASCA 딥러닝 접근 방식을 활용하여 높은 정확도 달성.
•
한계점:
◦
합성 데이터의 한계로 인해 실제 데이터에 대한 일반화 성능 개선 필요.
◦
MSTAR 데이터에 대한 실험 결과만 제시되어 다른 데이터에 대한 일반화 성능 검증 필요.
◦
두 개의 시뮬레이터 결합의 최적화 방법 및 모델 성능 향상에 대한 추가 연구 필요.
