ATRNet-STAR: A Large Dataset and Benchmark Towards Remote Sensing Object Recognition in the Wild

要約

合成アパーチャレーダーのための公開された大規模な高品質のデータセットがないことは、自動ターゲット認識（SAR ATR）のために、この分野で新しい機能をロック解除する大きな可能性を秘めた、迅速に進歩する深い学習技術の適用を大幅に妨げています。
これは主に、SAR画像から多様な多様なターゲットサンプルを収集することは、主にプライバシーの懸念、マイクロ波レーダー画像の知覚の特性、およびデータ注釈における専門的な専門知識の必要性のために、非常に高価であるためです。
SAR ATRの研究の歴史を通じて、主に船、飛行機、建物などのターゲットを含む多くの小さなデータセットしかありません。1990年代に収集された車両データセットMSTARは1つしかありません。これはSAR ATRの貴重なソースです。
このギャップを埋めるために、このペーパーでは、さまざまな現実的なイメージング条件とシーンで収集された40の異なる車両カテゴリを備えたAtrnet-Starという名前の大規模で新しいデータセットを紹介します。
データセットスケールと多様性の大幅な進歩を示しています。これは、190,000を超える承認されたサンプルで構成され、前任者である有名なMSTARの10倍大きくなります。
このような大きなデータセットを構築することは困難なタスクであり、データ収集スキームが詳細になります。
第二に、データセットから派生した挑戦的な分類と検出ベンチマークに関する7つの異なる実験的設定を使用して、15の代表的な方法のパフォーマンスを広く評価することにより、Atrnet-Starの価値を示します。
最後に、広範な実験に基づいて、SAR ATRの貴重な洞察を特定し、この分野の潜在的な将来の研究方向性について議論します。
Atrnet-Starの規模、多様性、およびベンチマークが、SAR ATRの進歩を大幅に促進できることを願っています。

要約(オリジナル)

The absence of publicly available, large-scale, high-quality datasets for Synthetic Aperture Radar Automatic Target Recognition (SAR ATR) has significantly hindered the application of rapidly advancing deep learning techniques, which hold huge potential to unlock new capabilities in this field. This is primarily because collecting large volumes of diverse target samples from SAR images is prohibitively expensive, largely due to privacy concerns, the characteristics of microwave radar imagery perception, and the need for specialized expertise in data annotation. Throughout the history of SAR ATR research, there have been only a number of small datasets, mainly including targets like ships, airplanes, buildings, etc. There is only one vehicle dataset MSTAR collected in the 1990s, which has been a valuable source for SAR ATR. To fill this gap, this paper introduces a large-scale, new dataset named ATRNet-STAR with 40 different vehicle categories collected under various realistic imaging conditions and scenes. It marks a substantial advancement in dataset scale and diversity, comprising over 190,000 well-annotated samples, 10 times larger than its predecessor, the famous MSTAR. Building such a large dataset is a challenging task, and the data collection scheme will be detailed. Secondly, we illustrate the value of ATRNet-STAR via extensively evaluating the performance of 15 representative methods with 7 different experimental settings on challenging classification and detection benchmarks derived from the dataset. Finally, based on our extensive experiments, we identify valuable insights for SAR ATR and discuss potential future research directions in this field. We hope that the scale, diversity, and benchmark of ATRNet-STAR can significantly facilitate the advancement of SAR ATR.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google