Deep Learning-Based Anomaly Detection in Synthetic Aperture Radar Imaging

要約

この論文では、合成開口レーダー (SAR) 画像の教師なし異常検出を調査することを提案しました。
私たちのアプローチでは、異常を周囲から逸脱する異常なパターンと見なしますが、その特性についての事前知識はありません。
文献では、ほとんどのモデルベースのアルゴリズムが 3 つの主な問題に直面しています。
まず、スペックル ノイズによって画像が破損し、多数の誤検出が発生する可能性があります。
第二に、統計的アプローチは、SAR 画像の空間相関をモデル化する際に欠陥を示す可能性があります。
最後に、教師あり学習アプローチに基づくニューラル ネットワークは、特に異常パターンのクラスについて、注釈付きの SAR データがないため推奨されません。
私たちが提案する方法は、自己教師ありアルゴリズムを通じてこれらの問題に対処することを目的としています。
スペックルは、最初に深層学習 SAR2SAR アルゴリズムによって除去されます。
次に、敵対的オートエンコーダーをトレーニングして、異常のない SAR 画像を再構築します。
最後に、異常を検出するために、入力と出力の間に変化検出処理ステップが適用されます。
従来の Reed-Xiaoli アルゴリズムと比較したこの方法の利点を示すために実験が行われ、効率的なスペックル除去前処理ステップの重要性が強調されています。

要約(オリジナル)

In this paper, we proposed to investigate unsupervised anomaly detection in Synthetic Aperture Radar (SAR) images. Our approach considers anomalies as abnormal patterns that deviate from their surroundings but without any prior knowledge of their characteristics. In the literature, most model-based algorithms face three main issues. First, the speckle noise corrupts the image and potentially leads to numerous false detections. Second, statistical approaches may exhibit deficiencies in modeling spatial correlation in SAR images. Finally, neural networks based on supervised learning approaches are not recommended due to the lack of annotated SAR data, notably for the class of abnormal patterns. Our proposed method aims to address these issues through a self-supervised algorithm. The speckle is first removed through the deep learning SAR2SAR algorithm. Then, an adversarial autoencoder is trained to reconstruct an anomaly-free SAR image. Finally, a change detection processing step is applied between the input and the output to detect anomalies. Experiments are performed to show the advantages of our method compared to the conventional Reed-Xiaoli algorithm, highlighting the importance of an efficient despeckling pre-processing step.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google