Discovering and Explaining the Non-Causality of Deep Learning in SAR ATR

要約

タイトル：SAR ATRのディープラーニングにおける非因果性を発見し、説明する

要約：
・SAR ATRにおいて、ディープラーニングは広く使われ、MSTARデータセットでは優れた性能を発揮している。
・しかし、MSTARには背景相関などのデータバイアスがあり、クラタープロパティはターゲットクラスと偽の相関を持つ。
・ディープラーニングはオーバーフィットによってクラッターを過度に学習し、訓練エラーを減らすことができる。
・従って、クラッターのオーバーフィットの度合いは、SAR ATRにおけるディープラーニングの非因果性を反映している。
・既存の方法では、この現象を質的に分析するだけである。
・本論文では、Shapley値に基づいて、異なる領域のターゲット認識に対する貢献度を定量化することで、クラッターのShapley値がオーバーフィットの度合いを測定する。
・さらに、データバイアスとモデルバイアスが非因果性にどのように影響するかを説明する。
・要約すると、データバイアスは、トレーニングセットとテストセットで信号対クラッターレシオとクラッターテクスチャが同じであるため、類似した非因果性を引き起こす。
・MSTARデータセット上の標準操作条件下で異なるモデルの実験結果は、これらの結論を支持している。
・コードは以下のURLから入手可能：https://github.com/waterdisappear/Data-Bias-in-MSTAR。

要約(オリジナル)

In recent years, deep learning has been widely used in SAR ATR and achieved excellent performance on the MSTAR dataset. However, due to constrained imaging conditions, MSTAR has data biases such as background correlation, i.e., background clutter properties have a spurious correlation with target classes. Deep learning can overfit clutter to reduce training errors. Therefore, the degree of overfitting for clutter reflects the non-causality of deep learning in SAR ATR. Existing methods only qualitatively analyze this phenomenon. In this paper, we quantify the contributions of different regions to target recognition based on the Shapley value. The Shapley value of clutter measures the degree of overfitting. Moreover, we explain how data bias and model bias contribute to non-causality. Concisely, data bias leads to comparable signal-to-clutter ratios and clutter textures in training and test sets. And various model structures have different degrees of overfitting for these biases. The experimental results of various models under standard operating conditions on the MSTAR dataset support our conclusions. Our code is available at https://github.com/waterdisappear/Data-Bias-in-MSTAR.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI