Um Novo Algoritmo de Detecção de Mudanças para Imagens de Radar de Abertura Sintética com Resolução de Comprimento de Onda Baseado em Redes Neurais Convolucionais

Abstract

Este documento apresenta um algoritmo de detecção de mudanças para imagens de radar de abertura sintética (SAR) de resolução de comprimento de onda baseado em redes neurais convolucionais. O dataset CARABAS-II foi disponibilizado pela Agência Sueca de Pesquisas em Defesa (FOI) e é utilizado para treino e teste das redes neurais. Os dados de treinamento e teste são 24 imagens diferença SAR obtidas a partir do dataset CARABAS-II. Cada uma das imagens diferença contém 25 veículos escondidos sob densa vegetação. Estes alvos são, entretanto, visíveis, graças às baixas frequências de operação. O algoritmo proposto neste trabalho consiste em duas redes neurais convolucionais: a rede de segmentação semântica, a qual localiza possíveis mudanças em uma imagem diferença, e a rede de classificação, a qual analisa com profundidade estas possíveis mudanças para classificá-las como mudanças reais ou falsos alarmes. O algoritmo proposto melhorou significativamente o desempenho de detecção de mudanças e proporcionou expressiva redução de falsos alarmes em comparação com soluções do estado-da-arte testadas com o mesmo dataset. Em uma configuração particular, foram obtidas uma probabilidade de detecção de 99% e uma taxa de falso alarme de 0,0833/km^2.

This document presents a convolutional neural network-based change detection algorithm for wavelength-resolution synthetic aperture radar (SAR) images. The CARABAS-II dataset has been made available by the Swedish Defence Research Agency (FOI), and is used for training and testing the neural networks. The input data consists of 24 SAR difference images obtained from this dataset. Each difference image has 25 vehicles concealed under foliage. These targets are, however, visible, since the CARABAS-II SAR operated at low frequencies. The proposed algorithm consists of two convolutional neural networks: the semantic segmentation network, which is used to localize potential changes in the difference image, and the classification network, which further analyzes and classifies the potential changes as either real changes or false alarms. A significant improvement in detection performance and false alarm reduction has been obtained with the proposed algorithm, in comparison to other state-of-the-art solutions tested with the same dataset. A probability of detection of 99% and a false alarm rate of 0,0833/km^2 was achieved in a particular setting.