radioelectronicsИзвестия высших учебных заведений России. РадиоэлектроникаJournal of the Russian Universities. Radioelectronics1993-89852658-4794Saint Petersburg Electrotechnical University10.32603/1993-8985-2022-25-1-36-46radioelectronics-604Research ArticleРАДИОЛОКАЦИЯ И РАДИОНАВИГАЦИЯRADAR AND NAVIGATIONВлияние разрешающей способности радиолокационных изображений военной техники на точность их классификации глубокой сверточной нейронной сетьюImpact of the Radar Image Resolution of Military Objects on the Accuracy of their Classification by a Deep Convolutional Neural NetworkКупряшкинИ. Ф.KupryashkinI. F.

Купряшкин Иван Федорович – доктор технических наук (2017), доцент (2011), начальник кафедры боевого применения средств РЭБ (с воздушно-космическими системами управления и наводящимся оружием)

ул. Старых Большевиков, д. 54 А, Воронеж, 394064

Ivan F. Kupryashkin – Dr Sci. (Eng.) (2017), Assosiate Professor (2011), Head of the Departament of Сombat Use of Electronic Warfare Systems (with Aerospace Control Systems and Guided Weapons)

54 A, Starykh Bolshevikov Str., Voronezh 394064

ifk78@mail.ruВоенный учебно-научный центр Военно-воздушных сил "Военно-воздушная академия им. профессора Н. Е. Жуковского и Ю. А. Гагарина"РоссияMilitary Educational and Scientific Center of the Air Force "N. E. Zhukovsky and Y. A. Gagarin Air Force Academy"Russian Federation2022210220222513646Copyright © Купряшкин И.Ф., 20222022Купряшкин И.Ф.Kupryashkin I.F.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://re.eltech.ru/jour/article/view/604Введение

Введение. Сегодня в качестве одного из наиболее перспективных инструментов для решения задачи классификации малоразмерных объектов на радиолокационных изображениях рассматриваются глубокие сверточные нейронные сети. Несмотря на это, в известных работах отсутствуют результаты системного исследования зависимости точности классификации, достигаемой сверточными нейросетями, от такой важной характеристики изображения, как его разрешающая способность.Цель работы. Определение зависимости точности классификации объектов военной техники глубокой сверточной нейронной сетью от разрешающей способности их радиолокационных изображений.Материалы и методы. Проектирование восьмислойной сверточной нейронной сети, ее обучение и тестирование осуществлено с использованием библиотеки глубокого обучения Keras и фреймворка Tensorflow 2.0. Для обучения и тестирования использована открытая часть стандартного набора радиолокационных изображений объектов военной техники десяти классов Moving and Stationary Target Acquisition and Recognition. Исходные значения весовых коэффициентов сетей MobileNetV1 и Xception, использованных для сравнительной оценки достигаемой точности классификации, получены по результатам обучения на наборе Imagenet.

Результаты

Результаты. Точность классификации объектов военной техники быстро снижается с ухудшением разрешающей способности, и составляет 97.91, 90.22, 79.13, 52.2 и 23.68 % при разрешении 0.3, 0.6, 0.9, 1.5 и 3 м соответственно. Показано, что использование предобученных сетей с архитектурами MobileNetV1 и Xception не приводит к улучшению точности классификации по сравнению с простой сетью VGG-типа.Заключение. Эффективное распознавание объектов военной техники при разрешении, хуже, чем 1 м, практически невозможно. Точность классификации, демонстрируемая глубокой нейронной сетью, существенно зависит от различия разрешающей способности изображений обучающего и тестового наборов. Значительному повышению устойчивости точности классификации к изменению разрешения способствует обучение на наборе изображений с различным разрешением.

Introduction. Deep convolutional neural networks are considered as one of the most promising tools for classifying small-sized objects on radar images. However, no systemic study has been reported so far on the dependence between the classification accuracy achieved by convolutional neural networks and such an important image characteristic as resolution.Aim. Determination of a dependence between of the accuracy of classifying military objects by a deep convolutional neural network and the resolution of their radar images.Materials and methods. An eight-layer convolutional neural network was designed, trained and tested using the Keras library and Tensorflow 2.0 framework. For training and testing, the open part of the standard MSTAR dataset comprising ten classes of military objects radar images was used. The initial weight values of the MobileNetV1 and Xception networks used for a comparative assessment of the achieved classification accuracy were obtained from the training results on the Imagenet.Results. The accuracy of classifying military objects decreases rapidly along with a deterioration in resolution, amounting to 97.91, 90.22, 79.13, 52.2 and 23.68 % at a resolution of 0.3, 0.6, 0.9, 1.5 and 3 m, respectively. It is shown that the use of pretrained MobileNetV1 and Xception networks does not lead to an improvement in the classification accuracy compared to a simple VGG-type network.Conclusion. Effective recognition of military objects at a resolution worse than one meter is practically impossible. The classification accuracy of deep neural networks depends significantly on the difference in the image resolution of the training and test sets. A significant increase in the resistance of the classification accuracy to changes in the resolution can be achieved by training on a set of images with different resolutions.

глубокая сверточная нейронная сетьрадиолокационное изображениеточность классификацииdeep convolutional neural networkradar imageclassification accuracyReferencesDeep Learning Meets SAR / X. Zhu, S. Montazeri, M. Ali, Yu. Hua, Yu. Wang, L. Mou, Yi. Shi, F. Xu, R. Bamler. URL: https://arxiv.org/pdf/2006.10027.pdf (дата обра-щения 20.12.2021)Zhu X., Montazeri S., Ali M., Hua Yu., Wang Yu., Mou L., Shi Yi., Xu F., Bamler R. Deep Learning Meets SAR. URL: https://arxiv.org/pdf/2006.10027.pdf (accessed 20.12.2021)Application of Deep-Learning Algorithms to MSTAR Data / H H. Wang, S. Chen, F. Xu, Y.-Q. Jin // IEEE Intern. Geoscience and Remote Sensing Symp. (IGARSS), Milan, Italy, 26–31 July 2015. IEEE, 2015. P. 3743–3745. doi: 10.1109/IGARSS.2015.7326637Wang H. H., Chen S., Xu F., Jin Y.-Q. Application of Deep-Learning Algorithms to MSTAR. IEEE Intern. Geo-science and Remote Sensing Symp. (IGARSS), Milan, Italy, 26–31 July 2015. IEEE, 2015, pp. 3743–3745. doi: 10.1109/IGARSS.2015.7326637Target Classification Using the Deep Convolutional Networks for SAR Images / S. Chen, H. Wang, F. Xu, Y.-Q. Jin // IEEE Transaction Geoscience and Remote Sensing. 2016. Vol. 54, no. 8. P. 4806–4817. doi: 10.1109/TGRS.2016.2551720Chen S., Wang H., Xu F., Jin Y.-Q. Target Classifica-tion Using the Deep Convolutional Networks for SAR Images. IEEE Transaction Geoscience and Remote Sens-ing. 2016, vol. 54, no. 8, pp. 4806–4817. doi: 10.1109/ TGRS.2016.2551720Deep Learning for SAR Image Classification / H. Anas, H. Majdoulayne, A. Chaimae, S. M. Nabil // Intel-ligent Systems and Applications. Springer, Cham., 2020. P. 890–898. doi: 10.1007/978-3-030-29516-5_67Anas H., Majdoulayne H., Chaimae A., Nabil S. M. Deep Learning for SAR Image. Intelligent Systems and Applications. Springer, Cham., 2020, pp. 890–898. doi: 10.1007/978-3-030-29516-5_67Chen S., Wang H. SAR Target Recognition Based on Deep Learning // Intern. Conf. on Data Science and Advanced Analytics (DSAA). Shanghai, China, 30 Oct. – 1 Nov. 2014. IEEE, 2014. P. 541–547. doi: 10.1109/DSAA.2014.7058124Chen S., Wang H. SAR Target Recognition Based on Deep Learning // Intern. Conf. on Data Science and Advanced Analytics (DSAA). Shanghai, China, 30 Oct. – 1 Nov. 2014. IEEE, 2014, pp. 541–547. doi: 10.1109/DSAA.2014.7058124Coman C., Thaens R. A Deep Learning SAR Target Classification Experiment on MSTAR Dataset // 19th In-tern. Radar Symp. (IRS), Bonn, Germany, 20–22 June 2018. IEEE, 2018. P. 1–6. doi: 10.23919/IRS.2018.8448048Coman C., Thaens R. A Deep Learning SAR Target Classification Experiment on MSTAR Dataset. 19th Intern. Radar Symp. (IRS). Bonn, Germany, 20–22 June 2018. IEEE, 2018. P. 1–6. doi: 10.23919/IRS.2018.8448048Furukawa H. Deep Learning for End-to-End Auto-matic Target Recognition from Synthetic Aperture Radar Imagery. URL: https://arxiv.org/pdf/1801.08558.pdf (дата обращения 20.12.2021)Furukawa H. Deep Learning for End-to-End Automat-ic Target Recognition from Synthetic Aperture Radar Image-ry. Available at: https://arxiv.org/pdf/1801.08558.pdf (ac-cessed 20.12.2021)Profeta A., Rodriguez A., Clouse H. S. Convolution-al Neural Networks for Synthetic Aperture Radar Classifi-cation // Proc. SPIE 9843, Algorithms for Synthetic Aper-ture Radar Imagery XXIII. 2016. 98430M. doi: 10.1117/12.2225934Profeta A., Rodriguez A., Clouse H. S. Convolutional Neural Networks for Synthetic Aperture Radar Classifica-tion. Proc. SPIE 9843, Algorithms for Synthetic Aperture Radar Imagery XXIII. 2016, 98430M. doi: 10.1117/12.2225934Wang Z., Xu X. Efficient deep convolutional neural networks using CReLU for ATR with limited SAR images // The J. of Engineering. 2019. Vol. 2019, no. 21. P. 7615–7618. doi: 10.1049/joe.2019.0567Wang Z., Xu X. Efficient Deep Convolutional Neural Networks Using CReLU for ATR with Limited SAR Images. The J. of Engineering. 2019, vol. 2019, no. 21, pp. 7615–7618. doi: 10.1049/joe.2019.0567Wilmanski M., Kreucher C., Lauer J. Modern Ap-proaches in Deep Learning for SAR ATR // Proc. SPIE 9843. Algorithms for Synthetic Aperture Radar Imagery XXIII. 2016. 98430N. doi: 10.1117/12.2220290Wilmanski M., Kreucher C., Lauer J. Modern Ap-proaches in Deep Learning for SAR ATR. Proc. SPIE 9843. Algorithms for Synthetic Aperture Radar Imagery XXIII. 2016, 98430N. doi: 10.1117/12.2220290A Novel Convolutional Neural Network Architec-ture for SAR Target Recognition / Yi. Xie, W. Dai, Z. Hu, Yi. Liu, C. Li, X. Pu // J. of Sensors. 2019. Art. 1246548. doi: 10.1155/2019/1246548Xie Yi., Dai W., Hu Z., Liu Yi., Li C., Pu X. A Novel Convolutional Neural Network Architecture for SAR Tar-get Recognition. J. of Sensors. 2019, art. 1246548. doi: 10.1155/2019/1246548Xinyan F., Weigang Z. Research on SAR Image Target Recognition Based on Convolutional Neural Net-work // J. of Physics: Conf. Series. 2019. Ser. 1213. 042019. doi: 10.1088/1742-6596/1213/4/042019Xinyan F., Weigang Z. Research on SAR Image Target Recognition Based on Convolutional Neural Net-work. J. of Physics: Conf. Series. 2019, ser. 1213, 042019. doi: 10.1088/1742-6596/1213/4/042019A Deep Learning Fusion Recognition Method Based On SAR Image Data / J. Zhai, G. Dong, F. Chen, X. Xie, C. Qi, L. Li // Procedia Computer Science. 2019. Vol. 147. P. 533–541. doi: 10.1016/j.procs.2019.01.229Zhai J., Dong G., Chen F., Xie X., Qi C., Li L. A Deep Learning Fusion Recognition Method Based On SAR Im-age Data. Procedia Computer Science. 2019, vol. 147, pp. 533–541. doi: 10.1016/j.procs.2019.01.229A New Algorithm of SAR Image Target Recogni-tion based on Improved Deep Convolutional Neural Network / F. Gao, T. Huang, J. Sun, J. Wang, A. Hussain, E. Yang // Cognitive Computation. 2019. Vol. 11. P. 809–824. doi: 10.1007/s12559-018-9563-zGao F., Huang T., Sun J., Wang J., Hussain A., Yang E. A New Algorithm of SAR Image Target Recognition based on Improved Deep Convolutional Neural Network. Cognitive Computation. 2019, vol. 11, pp. 809–824. doi: 10.1007/s12559-018-9563-zMalmgren-Hansen D., Engholm R., Østergaard Pedersen M. Training Convolutional Neural Net-works for Translational Invariance on SAR ATR // Proc. of EUSAR 2016: 11th European Conf. on Synthetic Aperture Radar, Hamburg, Germany, 6–9 Jun 2016. IEEE , 2016. P. 459–462.Malmgren-Hansen D., Engholm R., Østergaard Pedersen M. Training Convolutional Neural Net-works for Translational Invariance on SAR ATR. Proc. of EUSAR 2016: 11th European Conf. on Synthetic Aperture Radar, Ham-burg, Germany, 6–9 Jun 2016. IEEE, 2016, pp. 459–462.Бородинов А. А., Мясников В. В. Сравнение алгоритмов классификации радарных изображений при различных методах предобработки на примере базы MSTAR // Сб. тр. IV Междунар. конф. и молодеж-ной школы "Информационные технологии и нано-технологии" (ИТНТ-2018). Самара, Новая техника, 2018. С. 586–594.Borodinov A. A., Myasnikov V. V. Comparison of Radar Image Classification Algorithms for Various Pre-processing Methods Based on MSTAR Data. Proc. of the IV Intern. Conf. and Youth School "Information Tech-nology and Nanotechnology" (ITNT-2018). Samara, New Equipment, 2018, pp. 586–594. (In Russ.)Kechagias-Stamatis O., Aouf N. Automatic Target Recognition on Synthetic Aperture Radar Imagery: A Survey. URL: https://arxiv.org/ftp/arxiv/papers/2007/2007.02106.pdf (дата обращения 20.12.2021)Kechagias-Stamatis O., Aouf N. Automatic Target Recognition on Synthetic Aperture Radar Imagery: A Survey. URL: https://arxiv.org/ftp/arxiv/papers/2007/2007.02106.pdf (accessed 20.12.2021)Шолле Ф. Глубокое обучение на Python. СПб.: Питер, 2018. 400 с.Chollet F. Deep Learning with Python. NY, Man-ning, 2017, 384 p.Николенко С., Кадурин А., Архангельская Е. Глубокое обучение. СПб.: Питер, 2018. 480 с.Nikolenko S., Kadurin A., Arkhangel’skaya E. Glubokoe obuchenie [Deep Learning]. SPb., Piter, 2018, 480 p. (In Russ.).Simonyan K., Zisserman A. Very Deep Convolu-tional Networks For Large-Scale Image Recognition. URL: https://arxiv.org/pdf/1409.1556.pdf (дата обращения 20.12.2021)Simonyan K., Zisserman A. Very Deep Convolutional Networks For Large-Scale Image Recognition. Available at: https://arxiv.org/pdf/1409.1556.pdf (accessed 20.12.2021)Huang Z., Pan Z., Lei B. What, Where and How to Transfer in SAR Target Recognition Based on Deep CNNs. URL: https://arxiv.org/pdf/1906.01379.pdf (дата обращения 20.12.2021)Huang Z., Pan Z., Lei B. What, Where and How to Transfer in SAR Target Recognition Based on Deep CNNs. Available at: https://arxiv.org/pdf/1906.01379.pdf (accessed 20.12.2021)Chollet F. Xception: Deep Learning with Depth-wise Separable Convolutions. URL: https://arxiv.org/pdf/1610.02357.pdf (дата обращения 20.12.2021)Chollet F. Xception: Deep Learning with Depth-wise Separable Convolutions. Available at: https://arxiv.org/pdf/1610.02357.pdf (accessed 20.12.2021).MobileNets: Efficient Convolutional Neural Net-works for Mobile Vision Applications / A. G. Howard, M. Zhu, B. Chen, D. Kalenichenko. URL: https://arxiv.org/pdf/1704.04861.pdf (дата обращения 20.12.2021).Howard A.G., Zhu M., Chen B., Kalenichenko D. MobileNets: Efficient Convolutional Neural Net-works for Mobile Vision Applications. Available at: https://arxiv.org/pdf/1704.04861.pdf (accessed 20.12.2021)

The authors declare that there are no conflicts of interest present.