Машинне навчання та глибинне навчання для класифікації SAR-зображень
Анотація
У дослідженні проведено комплексний аналіз сучасних методів машинного та глибинного навчання для класифікації радіолокаційних зображень із синтезованою апертурою. Метою роботи було визначення архітектур і підходів, які забезпечують високу точність класифікації при збереженні ефективності обчислювальних ресурсів. Основну увагу приділено вирішенню ключових викликів: спекл-шуму, геометричних спотворень та обмеженості розмічених даних. Методологія дослідження включала систематичний аналіз наукової літератури за 2015- 2024 роки та вивчення поляризаційних характеристик Synthetic Aperture Radar-зображень із використанням платформи Copernicus Browser. Було досліджено ефективність традиційних методів машинного навчання (Support Vector Machines, Random Forest) та сучасних архітектур глибокого навчання (ResNet, U-Net, Vision Transformer). Особливу увагу приділено впливу адаптивної фільтрації спекл-шуму за допомогою фільтра Lee при різних розмірах вікна (3×3; 5×5; 7×7) на якість класифікації. Результати показали, що глибокі нейронні мережі мають переваги перед традиційними методами завдяки здатності автоматично виділяти ієрархічні представлення ознак. ResNet забезпечує високу точність класифікації, U-Net ефективна для сегментації, а Vision Transformer враховує глобальні залежності. Оптимальний баланс між придушенням спекл-шуму та збереженням деталей досягається при використанні фільтра Lee з розміром вікна 5×5. Однією з проблем залишається обмеженість розмічених даних. Для її вирішення розглянуто напівконтрольоване навчання, що покращує нормалізацію ознак і продуктивність моделей. Перспективним напрямком є використання комплекснозначних нейронних мереж для оптимізації обчислювальних витрат. Результати мають практичне значення для автоматизованої класифікації Synthetic Aperture Radar-зображень у задачах екологічного моніторингу, оцінки стану сільськогосподарських угідь та дистанційного зондування
Ключові слова
нейронні мережі; комплекснозначні обчислення; поляризаційні характеристики; радіолокаційне зондування; спекл-фільтрація
Використані джерела
[1] Attioui, S., & Arivazhagan, S. (2020). Unsupervised change detection method in SAR images based on deep belief network using an improved fuzzy c-means clustering algorithm. IET Image Processing, 15(4), 974-982. doi: 10.1049/ipr2.12078.
[2] Bhattacharjee, S., Shanmugam, P., & Das, S. (2024). A novel lightweight multi-attentive general ship detection model for detection of ships in optical and SAR satellite imagery. In M.F. Carlsohn (Ed.), Real-time processing of image, depth, and video information 2024 (article number 130000B). Strasbourg: Society of Photo-Optical Instrumentation Engineers. doi: 10.1117/12.3016869.
[3] Chen, G., Li, Z., Zhou, Q., & Liu, С. (2024). SAR image despeckling based on gradient domain convolutional sparse coding. In Z. Zhang & C. Li (Eds.), Fifteenth international conference on signal processing systems (ICSPS 2023) (article number 130911W). Xi’an: Society of Photo-Optical Instrumentation Engineers. doi: 10.1117/12.3023324.
[4] Chu, B., Chen, J., Zeng, H., Chen, J., Zhu, J., Wang, M., & Gao, X. (2024). An optical and SAR image registration method based on bidirectional style transfer and hybrid feature descriptor. In Y. Wang & T. Chen (Eds.), 2023 4th international conference on geology, mapping and remote sensing (ICGMRS 2023). Wuhan: Society of PhotoOptical Instrumentation Engineers. doi: 10.1117/12.3019591.
[5] Copernicus Browser. (n.d.). Retrieved from https://browser.dataspace.copernicus.eu/.
[6] Cui, W., Zhang, Y., Zhang, X., Li, L., & Liou, F. (2020). Metal additive manufacturing parts inspection using convolutional neural network. Applied Sciences, 10(2), article number 545. doi: 10.3390/app10020545.
[7] Ding, R. (2023). Which network is stronger? Le Net, Alex Net and VGG on image classification. Applied and Computational Engineering, 4, 294-300. doi: 10.54254/2755-2721/4/20230476.
[8] Evans, B., Faul, A., Fleming, A., Vaughan, D.G., & Hosking, J.S. (2023). Unsupervised machine learning detection of iceberg populations within sea ice from dual-polarisation SAR imagery. Remote Sensing of Environment, 297, article number 113780. doi: 10.1016/j.rse.2023.113780.
[9] Filho, J.F.M.R., & Bélanger, P. (2021). Probe standoff optimization method for phased array ultrasonic TFM imaging of curved parts. Sensors, 21(19), article number 6665. doi: 10.3390/s21196665.
[10 Gavrylenko, S., & Chelfk, V. (2023). Development of method base on fuzzy decision trees for identification of the computer systems state. Navigation and Communication Systems, 1(71), 78-83. doi: 10.26906/sunz.2023.1.078.
[11] Hochstuhl, S., Pfeffer, N., Thiele, A., Hammer, H., & Hinz, S. (2023). Your input matters – comparing real-valued PolSAR data representations for CNN-based segmentation. Remote Sensing, 15(24), article number 5738. doi: 10.3390/rs15245738.
[12] Huang, Z. (2024). A research on image recognition and classification based on traditional machine learning and deep learning. Transactions on Computer Science and Intelligent Systems Research, 5, 766-773. doi: 10.62051/0dbqaa10.
[13] Imad, H., Sara, Z., Hajji, M., Yassine, T., & Abdelkrim, N. (2024). Recent advances in SAR image analysis using deep learning approaches: Examples of speckle denoising and change detection. In B. Benhala, A. Raihani & M. Qbadou (Eds.), 4th international conference on innovative research in applied science, egineering and technology (pp. 1-6). Morocco: Institute of Electrical and Electronics Engineers. doi: 10.1109/IRASET60544.2024.10549456.
[14] Iqbal, J., Vogt, M., & Bajorath, J. (2020). Activity landscape image analysis using convolutional neural networks. Journal of Cheminformatics, 12, article number 34. doi: 10.1186/s13321-020-00436-5.
[15] Kanmani, K., Padmanabhan, V., & Pari, P. (2023). Accuracy assessment of different classifiers for sustainable development in landuse and landcover mapping using sentinel SAR and landsat-8 data. EAI Endorsed Transactions on Energy Web, 10. doi: 10.4108/ew.4141.
[16] Konishi, B., Hirose, A., & Natsuaki, R. (2021). Complex-valued reservoir computing for interferometric SAR applications with low computational cost and high resolution. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 14, 7981-7993. doi: 10.1109/jstars.2021.3102620.
[17] Kruk, R., Fuller, M.C., Komarov, A.S., Isleifson, D., & Jeffrey, I. (2020). Proof of concept for sea ice stage of development classification using deep learning. Remote Sensing, 12(15), article number 2486. doi: 10.3390/ rs12152486.
[18] Li, Q., Bai, X., Hu, L., Li, L., Bao, Y., Geng, X., & Yan, X.-H. (2024). SAR image semantic segmentation of typical oceanic and atmospheric phenomena. Earth System Science Data. doi: 10.5194/essd-2024-222.
[19] Li, X., Wang, Z., Li, J., & Mu, P. (2023). Swin-transformer based target detection with enhanced maritime SAR images data. In S. Xu & S. Sazena (Eds.), International conference on signal processing and communication technology (SPCT 2022). Harbin: Society of Photo-Optical Instrumentation Engineers. doi: 10.1117/12.2673920.
[20] Li, Y., Zhang, S., Li, X., & Ye, F. (2023). Remote sensing image classification with few labeled data using semisupervised learning. Wireless Communications and Mobile Computing, 2023(1), article number 7724264. doi: 10.1155/2023/7724264.
[21] Liu, S., Pu, N., Cao, J., & Zhang, K. (2022). Synthetic aperture radar image despeckling based on multi-weighted sparse coding. Entropy, 24(1), article number 96. doi: 10.3390/e24010096.
[22] Liu, T., Li, Y., Cao, Y., & Shen, Q. (2017). Change detection in multitemporal synthetic aperture radar images using dual-channel convolutional neural network. Journal of Applied Remote Sensing, 11(4), article number 042615. doi: 10.1117/1.jrs.11.042615.
[23] Majji, S.R., Chalumuri, A., Kune, R., & Manoj, B.S. (2022). Quantum processing in fusion of SAR and optical images for deep learning: A data-centric approach. IEEE Access, 10, 73743-73757. doi: 10.1109/ access.2022.3189474.
[24] Meng, H., Li, C., Liu, Y., Gong, Y., He, W., & Zou, M. (2023). Corn land extraction based on integrating optical and SAR remote sensing images. Land, 12(2), article number 398. doi: 10.3390/land12020398.
[25] Monsalve-Tellez, J.M., Torres-León, J.L., & Garcés-Gómez, Y.A. (2022). Evaluation of SAR and optical image fusion methods in oil palm crop cover classification using the random forest algorithm. Agriculture, 12(7), article number 955. doi: 10.3390/agriculture12070955.
[26] Nillmani, N., Sharma, N., Saba, L., Khanna, N., Kalra, M., Fouda, M., & Suri, J. (2022). Segmentation-based classification deep learning model embedded with explainable AI for COVID-19 detection in chest X-ray scans. Diagnostics, 12(9), article number 2132. doi: 10.3390/diagnostics12092132.
[27] Oumarou, H., & Rismayanti, N. (2024). Automated classification of empon plants: A comparative study using Hu Moments and K-NN algorithm. Indonesian Journal of Data and Science, 4(3), 206-214. doi: 10.56705/ijodas. v4i3.115.
[28] Pan, J., Zhang, H., Wu, W., Gao, Z., & Wu, W. (2022). Multi-domain integrative Swin transformer network for sparse-view tomographic reconstruction. Patterns, 3(6), article number 100498. doi: 10.1016/j. patter.2022.100498.
[29] Poplavskyi, O. (2024). Information technology for image data processing based on hybrid neural networks using geometric features. Information Technologies and Computer Engineering, 21(2), 4-16. doi: org/10.31649/19999941-2024-60-2-4-16.
[30] Schmitt, M., Hughes, L.H., & Zhu, X.X. (2018). The SEN1-2 dataset for deep learning in SAR-optical data fusion. ISPRS Annals of the Photogrammetry Remote Sensing and Spatial Information Sciences, 4(1), 141-146. doi: 10.5194/isprs-annals-iv-1-141-2018.
[31] Villarroya-Carpio, A., & López-Sánchez, J.M. (2023). Multi-annual evaluation of time series of Sentinel-1 interferometric coherence as a tool for crop monitoring. Sensors, 23(4), article number 1833. doi: 10.3390/ s23041833.
[32] Vu, V.T., Pettersson, M.I., Palm, B.G., Alves, D.I., & Gomes, N.R. (2021). Changing flight heading during pass to enhance SAR change detection performance. IET Radar Sonar & Navigation, 15(8), 817-826. doi: 10.1049/ rsn2.12058.
[33] Wang, L., Jin, G., Xiong, X., Zhang, H., & Wu, K. (2022). Object-based automatic mapping of winter wheat based on temporal phenology patterns derived from multitemporal Sentinel-1 and Sentinel-2 imagery. ISPRS International Journal of Geo-Information, 11(8), article number 424. doi: 10.3390/ijgi11080424.
[34] Wei, B., Huang, M., Zhang, Y., Xu, Y., Liu, X., & Xiang, X. (2021). Boosting ship detection in SAR images with complementary pretraining techniques. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 14, 8941-8954. doi: 10.1109/jstars.2021.3109002.
[35] Wu, Y., Xia, Y., Jiang, M., Li, S., Chen, M., Zhao, Y., & Teng, D. (2023). Multisource remote sensing image registration based on geometric constraints. In C. Zuo (Ed.), International conference on remote sensing, surveying, and mapping (RSSM 2023) (article number 127100J). Changsha: Society of Photo-Optical Instrumentation Engineers. doi: 10.1117/12.2682662.
[36] Xue, Z., & Zhang, M. (2020). Multiview low-rank hybrid dilated network for SAR target recognition using limited training samples. IEEE Access, 8, 227847-227856. doi: 10.1109/access.2020.3046274.
[37] Zeng, Z., Tan, X., Chen, Z., Huang, Y., Tang, S., & Wan, J. (2022). Robust image similarity metric method for SAR images. Electronics Letters, 58(13), 508-510. doi: 10.1049/ell2.12516.
[38] Zengguo, S., Zhao, M., & Jia, B. (2021). A GF-3 SAR image dataset of road segmentation. Information Technology and Control, 50(1), 89-101. doi: 10.5755/j01.itc.50.1.27987.
[39] Zhang, H., Li, G., & Lin, H. (2016). An automatic co-registration approach for optical and SAR data in urban areas. Annals of GIS, 22(3), 235-243. doi: 10.1080/19475683.2016.1199595.
[40] Zhang, R., Tang, X., You, S., Duan, K., Xiang, H., & Luo, H. (2020). A novel feature-level fusion framework using optical and SAR remote sensing images for land use/land cover (LULC) classification in cloudy mountainous area. Applied Sciences, 10(8), article number 2928. doi: 10.3390/app10082928.
[41] Zhong, Z., Zheng, L., Kang, G., Li, S., & Yang, Y. (2020). Random erasing data augmentation. Proceedings of the AAAI Conference on Artificial Intelligence, 34(7), 13001-13008. doi: 10.1609/aaai.v34i07.7000.