Automatic target recognition (ATR) in synthetic aperture radar (SAR) images has been actively studied in recent years. However, it is time-consuming and costly to collect large amounts of labeled SAR data with complex processes, and thus training high-performance SAR ATR network based on a data-driven approach is challenging. In order to solve the problem of insufficient SAR data, a method using synthetic SAR data was proposed. However, despite sophisticated modeling, there is a domain gap between synthetic SAR data and measured SAR data, which indicates that the target classification model trained with synthetic SAR data tends not to be generalized to measured SAR data. Therefore, in this thesis, we propose a transformer-based SAR target image translation network that can effectively reduce the domain gap between synthetic and measured SAR data by considering the characteristics of synthetic SAR. A proposed model which consists of three sub-networks learns and combines mapping in image space and mapping in feature space to translate simulated SAR images into measured SAR images. In addition, we propose five scenarios that can validate the performance of the image translation model using a limited SAR dataset. Through these scenarios, we verified that our model effectively translates synthetic SAR data to measured SAR data, and also demonstrates well generalization ability on unknown synthetic SAR images such as unknown target classes and azimuth angles.
최근 몇 년간 딥러닝 기반 합성 개구 레이더 (SAR) 영상의 자동 표적 인식이 활발히 연구되어왔다. 그러나 처리 과정이 복잡한 레이블 된 측정 SAR 데이터를 대량으로 수집하는 것은 많은 시간 및 비용이 드는 문제가 있으며, 따라서 데이터 기반의 딥러닝 네트워크로 높은 성능의 SAR 표적 식별 네트워크를 훈련 시키는 것은 어렵다. 이러한 데이터 부족 문제를 해결하기 위한 방법 중 하나로 시뮬레이션 SAR 데이터를 활용하는 방법이 제안되었다. 그러나 정교한 모델링에도 불구하고 시뮬레이션 SAR 데이터와 측정 SAR 데이터 간에는 도메인 갭이 있어 시뮬레이션 SAR 데이터로 훈련된 표적 식별 모델이 측정 SAR 데이터에 일반화되지 않는 경향성을 보인다. 따라서 본 연구에서는 시뮬레이션 SAR의 특성을 고려하여 시뮬레이션-측정 SAR 영상 간의 도메인 갭을 효과적으로 줄일 수 있는 트랜스포머 기반 변환 모델을 제안한다. 세 개의 서브 네트워크로 구성된 제안 모델은 이미지 공간에서의 매핑과 특징 공간에서의 매핑을 학습 및 결합하여 시뮬레이션 SAR 영상을 측정 SAR 영상으로 변환시킨다. 또한 본 연구에서는 한정된 SAR 데이터셋을 사용하여 영상 변환 모델의 성능을 검증할 수 있는 다섯 가지 시나리오를 제안한다. 제안하는 시나리오를 통해 우리의 모델이 효과적으로 시뮬레이션 SAR 데이터를 측정 SAR 데이터로 변환하는 것을 검증하였으며, 또한 훈련에 사용되지 않은 종류의 표적 및 방위각에 대해서도 좋은 일반화 능력을 보이는 것을 검증하였다.
