PAHD: Perception-Action based Human Decision Making using Explainable Graph Neural Networks on SAR Images

要約

合成開口レーダー (SAR) 画像は、自動目標認識 (ATR) の軍事用途で一般的に利用されています。
畳み込みニューラル ネットワーク (CNN) やグラフ ニューラル ネットワーク (GNN) などの機械学習 (ML) 手法は、戦車、兵員輸送車、ミサイル発射装置などの地上の物体を識別するためによく使用されます。
BRDM2 戦車、BMP2 戦車、BTR60 戦車、BTR70 戦車などの車両クラスを決定することは、目標オブジェクトが味方か敵かを判断するのに役立つため、非常に重要です。
ML アルゴリズムは認識された目標に関するフィードバックを提供しますが、最終的な決定は指揮官に委ねられます。
したがって、特定されたターゲットとともに詳細な情報を提供することは、ターゲットの行動に大きな影響を与える可能性があります。
この詳細情報には、分類に寄与した SAR 画像の特徴、分類の信頼度、および識別された物体が別の物体タイプまたはクラスとして分類される確率が含まれます。
我々は、最終的な分類クラスを提供し、上記の詳細情報を出力する GNN ベースの ATR フレームワークを提案します。
これは、分類クラスの詳細な分析を提供する最初の研究であり、最終的な決定をより簡単にします。
さらに、当社の GNN フレームワークは、MSTAR データセットで評価した場合に全体の精度 99.2\% を達成し、以前の最先端の GNN メソッドよりも向上しています。

要約(オリジナル)

Synthetic Aperture Radar (SAR) images are commonly utilized in military applications for automatic target recognition (ATR). Machine learning (ML) methods, such as Convolutional Neural Networks (CNN) and Graph Neural Networks (GNN), are frequently used to identify ground-based objects, including battle tanks, personnel carriers, and missile launchers. Determining the vehicle class, such as the BRDM2 tank, BMP2 tank, BTR60 tank, and BTR70 tank, is crucial, as it can help determine whether the target object is an ally or an enemy. While the ML algorithm provides feedback on the recognized target, the final decision is left to the commanding officers. Therefore, providing detailed information alongside the identified target can significantly impact their actions. This detailed information includes the SAR image features that contributed to the classification, the classification confidence, and the probability of the identified object being classified as a different object type or class. We propose a GNN-based ATR framework that provides the final classified class and outputs the detailed information mentioned above. This is the first study to provide a detailed analysis of the classification class, making final decisions more straightforward. Moreover, our GNN framework achieves an overall accuracy of 99.2\% when evaluated on the MSTAR dataset, improving over previous state-of-the-art GNN methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google