다중편파 SAR 합성 변환과 딥러닝을 활용한 선박 및 빙산 이진분류 알고리즘 성능 개선 연구 = Study on Improvement of Binary Classification Performance for Ships and Icebergs Using Polarimetric SAR and Deep Learning Approach

국문 초록 (Abstract)

본논문은다중편파(polarimetric) 합성 개구면 레이다(SAR, synthetic aperture radar)와 딥러닝 기법을 활용하여 선박 및빙산의 이진분류 성능을 개선하는 방법을 제안한다. 다중편파 SAR로부터 선형 변환을 통해 혼합 4중편파(hybrid quadrature polarimetric) 데이터를 생성하고, 기존의 다중편파 SAR 데이터셋에 포함하여 이진분류 성능을 향상시켰다. 실험에서는다양한합성곱신경망(convolutional neural network) 모델을 사용하여 학습하였으며, 사전 학습되지 않은 상태로초기화된모델간성능을비교하였다. 캐글(kaggle)에서 제공하는공개SAR 데이터셋을활용하여실험한결과, 다중편파SAR 데이터를 활용한 변환 기법이 선박 및 빙산의 분류 성능향상에효과적임을입증하였다.

다국어 초록 (Multilingual Abstract)

In this study, a method for improving the binary classification performance of ships and icebergs using polarimetric synthetic aperture radar (SAR) and deep-learning techniques is proposed. A linear transformation is applied to the polarimetric SAR data to generate hybrid quadrature polarimetric SAR data, which are then incorporated into the existing polarimetric SAR dataset to improve the classification performance. The experiments employed various convolutional neural network models for training, and the performances of the models initialized without pretraining were compared. Using a publicly available SAR dataset from Kaggle, the results demonstrated that the transformation techniques utilizing polarimetric SAR data effectively enhanced the classification performance of ships and icebergs.