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

要約

【タイトル】SAR ATRにおける深層学習の非因果性を発見と説明する方法の研究

【要約】
– SAR ATRでは深層学習が広く使用され、MSTARデータセットで優れた性能を発揮している。
– しかし、MSTARは制約のある撮影条件のため、背景相関などのデータバイアスがある。つまり、背景の雑音の特性がターゲットクラスと見誤られるような相関を持ってしまうことがある。
– 深層学習は、トレーニングエラーを減らすために、雑音に過剰適合してしまうことがある。したがって、雑音に対する過剰適合度合いは、SAR ATRでの深層学習の非因果性を示す。
– 既存の方法では、この現象を定性的に分析するだけである。本研究では、Shapley値に基づいて、異なる領域が目標認識にどのように寄与するかを定量的に分析する。
– 雑音のShapley値は過剰適合度合いを測定する。また、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貢献するかを説明する。
– 結論として、データバイアスは、トレーニングセットとテストセットの信号対雑音比と雑音テクスチャが同等であるために生じる。そして、さまざまなモデル構造に対して、これらのバイアスに対する過剰適合度合いが異なる。
– MSTARデータセットの標準運用条件下でのさまざまなモデルの実験結果は、上記結論を支持する。本研究のコードはhttps://github.com/waterdisappear/Data-Bias-in-MSTARで利用可能である。

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