Generally, in the case of SAR images, when single polarization data and multiple polarized data are mixed, each model should be learned respectively in order to recognize a target in a SAR image using data-driven learning based models. This thesis presents a study on automatic object (or target) recognition for SAR data with multiple polarized images as well as single polarized images using a deep convolution neural network, which is one of the data driven learning based models. We have studied the method of adjusting the scale of multi-channel input which makes it possible to simultaneously learn single polarized and multi-polarized SAR image target recognition in one deep convolution neural network. By adjusting the scale of the input data according to the number of polarization inputs, the distribution of the output feature map values is present within a certain range. A network named ATRCNN-I then extracts the coherent feature values to construct the feature map, thereby enabling learning with a high recognition rate.
If the input data scale is not adjusted according to the number of multiplexed polarization inputs, many convolutional filters have a very small coefficient value, resulting in a meaningless feature map value output, which makes no meaningful contribution to the final output value of the network. It not only increases the complexity but also makes the network learning difficult. On the other hand, it is confirmed that if the dynamic range of the output feature map value of the first convolution layer is adjusted to have a similar range regardless of the number of polarization inputs by adjusting the dynamic range of the input value according to the number of polarization inputs, training on a network with a high recognition rate is possible because the feature map contains various information.
In addition, this paper proposes a feature map scaling network named ATRCNN-II that can improve the recognition performance by normalizing the dynamic range of the feature map values of the convolution layer by adjusting the input scale. The feature map scaling neural network is able to utilize a higher level of correlation between different polarization data, which leads to better performance than that obtained with an input scaling neural network. Feature map scaling networks can recognize a target with a 99.51% rate compared to 99.39% with a network separately trained with 4 polarization data only. Also, the proposed feature map scaling network can recognize a target at rates of 98.05%, 98.42%, 98.66%, and 98.05% compared to 96.71%, 97.69%, 98.90%, and 98.29% with networks separately trained with HH, HV, VH, and VV.
일반적인 SAR 영상에서 단일 편광 데이터와 다중 편광 데이터가 혼재된 경우, 데이터 주도 학습 기반 모델 (data-driven learning based models)을 이용하여 SAR 영상 내에 목표물을 인식하기 위해서는 단일편광 데이터와 다중 편광 데이터에 각각 서로 다른 모델을 적용하여 별로도 학습을 진행하여야 한다. 본 논문은 데이터 주도 학습 기반 모델 중의 하나인 딥 콘볼루션 신경망을 이용하여 단일 편광 SAR 영상과 다중 편광 SAR 영상이 혼재된 데이터에 대해 물체 (또는 목표물) 식별하는 알고리즘 관한 연구로서, 하나의 딥 콘볼루션 신경망을 이용하여 단일 편광 및 다중 편광 SAR 영상 목표물 인식을 효과적으로 동시에 학습할 수 있는 다중 채널 입력 데이터의 스케일 조정 방법에 대해 연구하였다. 편광 입력의 수에 따라 입력 데이터의 스케일을 조정함으로써 출력 특징맵 값의 분포를 일정한 범위 내에 존재하게 하고 일관성 있는 특징맵을 구성하게 하여, 높은 인식률을 갖는 네트워크 학습을 가능하게 한다.
다중 편광 입력의 수에 따라 입력 데이터의 스케일 조정을 하지 경우, 많은 콘볼루션 필터는 매우 작은 계수 값을 가짐으로써 무의미한 특징맵 값을 출력하게 되고, 결과적으로 네트워크 최종 출력 값에 의미 있는 기여를 하지 못하고 복잡도만 높이게 하며 네트워크 학습을 어렵게 한다.
반면에 편광 입력 수에 따른 입력 값의 동적 범위를 조절하여, 첫 번째 콘볼루션 계층의 출력 특징맵 값의 동적 범위를 편광 입력 수에 무관하게 비슷한 범위를 갖도록 할 경우, 콘볼루션 필터를 통해 추출되는 특징맵에 다양한 정보가 포함되어 높은 인식률을 갖는 네트워크 훈련이 가능함을 실험을 통해 확인하였다.
또한 본 논문은 입력 스케일을 조정하는 개념을 콘볼루션 계층의 특징맵 값의 동적 범위를 정규화하여 인식 성능을 향상 시킬 수 있는 특징맵 스케일 조정 신경망이 고안하였다. 특징맵 스케일 조정 신경망은 편광 데이터간의 높은 상관관계를 이용하는 것을 가능하게 하였고, 입력 스케일 조정 신경망 보다 높은 성능을 보여주었다. 특징맵 크기조절 신경망은 ALL, HH, HV, VH, VV 에 관하여 각각 99.51%, 98.05%, 98.42%, 98.66%, 98.05% 의 목표물 식별 성능을 보여주었다. 이는 각각의 편광 데이터의 경우만을 위해 각기 학습된 네트워크들의 성능 99.39%, 96.71%, 97.69%, 98.90%, 98.29% 보다 높다.
