Sentetik açıklıklı radar görüntülerinin derin evrişimli ağlarla tanınmasına yönelik veri artırımı yaklaşımlarının incelenmesi

Abstract

Sentetik Açıklıklı Radar (SAR) görüntülerinden hedef tespiti, kara veya hava kuvvetleri gibi kuruluşların gözetleme ve keşif ihtiyaçları göz önüne alındığında büyük önem taşımaktadır. Makine öğrenimi ve Evrişimli Sinir Ağları'nın (CNN'ler) yükselişi ile SAR görüntü setlerinde tahmin yapma yeteneği, askeri unsurları tanımlamak için güçlü bir araç haline getirmiştir. Ancak, kamuya açık SAR verilerinin sınırlı ölçüde olması nedeniyle, doğru sınıflandırma için yeterli miktarda veri bulma konusunda zorluklar yaşanmaktadır. Mevcut veri eksikliği, geleneksel CNN'leri kullanarak güvenilir ve doğru sınıflandırma elde etmede, aşırı uyum gibi önemli sorunlara neden olmaktadır. Bu çalışmada, Hareketli ve Sabit Hedef Tespit ve Tanıma (MSTAR) veri kümesinde güncel nesne tespit uygulamaları olan YOLOv5 ve YOLOv8'in yanı sıra, MSTAR veri kümesi üzerinde eğitilmiş Üretken Çekişmeli Ağların (GAN'lar) kullanımı da incelenmiştir. Sentetik oluşturulan örnek bir veri kümesi, MSTAR eğitim kümesine veri takviyesi sağlamak amacıyla kullanılmış ve güncel nesne tespit uygulamalarıyla değerlendirilmiştir. GAN ve gürültü ile SAR görüntülerinin öğrenme yeteneğini değerlendirmek için eğitim kümesinin genişletilmesi ve farklı radar açılarından alınan bu görüntülerle veri artırmanın nesne tespitindeki etkileri gözlemlenmiştir. Target detection from Synthetic Aperture Radar (SAR) images is of great importance considering the surveillance and reconnaissance needs of organizations such as the army or air force. The rise of machine learning and Convolutional Neural Networks (CNNs) and the ability to classify and predict on SAR image sets make these networks a powerful tool for identifying military elements. However, due to the limited availability of publicly available SAR data, there are difficulties in finding sufficient amounts of data for accurate classification. The lack of available data causes significant problems, such as overfitting, in achieving reliable and accurate classification using traditional CNNs. This study examines the current object detection applications YOLOv5 and YOLOv8 on the Moving and Stationary Target Detection and Recognition (MSTAR) dataset, as well as the use of Generative Adversarial Networks (GANs) trained on the MSTAR dataset. A synthetically created sample data set was used to supplement the MSTAR training set and was evaluated with current object detection applications. To evaluate the learning ability of SAR images with GAN and noise, the training set was expanded and the effects of data augmentation on object detection were observed with these images taken from different radar angles.