Publication: Deniz hedeflerinin geleneksel ve derin öğrenme tabanlı yöntemler ile sınıflandırılması
Abstract
oynamaktadır. Operasyonel süreçlerde, radar sistemleri denizhedeflerinin tespit ve kimliklendirilmesinde yetersiz kaldığı durumlar yaşanabilmekte, budurum savunma sistemlerinde ciddi zaafiyetler doğurabilmektedir. Deniz hedefi menzilprofili sınıflandırma problemine çoğunlukla geleneksel sınıflandırıcı yöntemleri ile yaklaşılmışolup öz nitelik çıkartma, boyut azaltma işleminde elde edilen verilerle SVM,k-NN, PNN gibi sınıflandırıcılar ile sınıflandırma işlemleri gerçekleştirilmiştir. Gelenekselyöntemler ile probleme tam bir çözüm bulunamamış olmakla beraber, geliştirilen yeniyöntemler ile başarımın artırılması çalışmaları sürmektedir.Bu tez çalışması kapsamında gerçek zamanlı çalışmakta olan radardan ölçümsel olarakelde edilen deniz hedefi menzil profilleri geleneksel yöntemlerle ve derin öğrenme yöntemleriile sınıflandırma çalışması yapılmıştır. Ele alınan yöntemlerinin performans analizleri,on iki farklı deniz hedef tipi ile gerçekleştirilmiştir. Deniz hedeflerinin sınıflandırılmasındageleneksel yöntemler için anomali tespiti, kargaşa giderme, öznitelik çıkarma ve boyutazaltma sonrasında en yakın komşuluk sınıflandırıcı, imge sınıflandırma tabanlı konvolüsyonelsinir ağları (Convolutional Neural Network, CNN), son yıllarda sıklıkla kullanılmayabaşlanan nesne tespit tabanlı Mask R-CNN ve YOLOv2 sınıflandırma yöntemleriçalışılmıştır. Her bir yöntem farklı girdiler ile çalıştırılarak ortalama başarım puanları vehata matrisleri elde edilmiş, sonuçlar karşılaştırmalı olarak değerlendirilmiştir.Nesne tespiti tabanlı sınıflandırma yöntemlerinde sadece hedef bölgesi ve tüm resiminetiketlenmesi olmak üzere iki farklı yöntemle etiketleme işlemi ve farklı eşik seviyelerivaryasyonlarıyla eğitimler yapılmış olup sonuçlara etkisi incelenmiştir. Geleneksel yöntemleregöre nesne tespiti tabanlı sınıflandırma yöntemlerinde kargaşa giderme, boyutazaltımı ve öznitelik çıkarımı işlemleri ortadan kaldırılarak veri kaybı önlenmektedir. Bununlaberaber boy bilgisi sınıflandırıcı tarafından doğrudan elde edilebilmektedir. Ayrıcaaynı anda birden fazla hedefin tek görüntüde tespit/ teşhis edilmesine imkan sağlamaktadır.
Land-based radar systems have been playing significant roles in miscellaneous applicationssuch as the surveillance, detection and recognition on maritime territory, and thefriend of foe identification of targets. Within several operational processes, radar systemsmight remain incapable while the detection and identification of marine targetswhich would result in severe vulnerabilities in electronic defense strategies. The existingresearches have focused on the automatic maritime target recognition (AMTR) problemby most commonly employing traditional classification approaches that generally consistof feature extraction, dimension reduction steps followed by SVM, k-NN, PNN vbclassifiers. Since the traditional methods have been lacking to provide the limiting solutionsto the AMTR problem, further researches especially those inspired by deep-learningperspectives are ongoing in order to enhance the overall recognition capability.Within this thesis, an extensive investigation on the traditional and deep-learning-basedclassification of the measuremental high-resolution range profiles (HRRPs) that are collectedby a real-time radar system is carried out. The detailed examination has beenperformed by focusing on twelve different maritime target classes. The traditional maritimetarget classification approaches have been constructed to employ anomaly detection,clutter suppression, feature extraction, feature/ dimension reduction, k-nearest neighbor(k-NN), image classification-based convolutional neural network (CNN) and object detectionbased Mask R-CNN and YOLOv2 classifiers. By evaluating and averaging theclassification performances and confusion matrices corresponding to numerous instancesof input data, the ultimate performances of all methods have been critized and compared.For the object detection methods, the variation of threshold values and two labelingapproaches consisting of labeling only the target sector and the entire image has beeninvestigated after performing data training process with the resulting configurations.When compared to the traditional methods, object detection methods prevents the possibledata loss by extinguishing the clutter suppression, dimension reduction and featureextraction steps. Besides, object detection methods paves the way for achieving accuratedetection/ recognition of multiple targets via single image shots.
Land-based radar systems have been playing significant roles in miscellaneous applicationssuch as the surveillance, detection and recognition on maritime territory, and thefriend of foe identification of targets. Within several operational processes, radar systemsmight remain incapable while the detection and identification of marine targetswhich would result in severe vulnerabilities in electronic defense strategies. The existingresearches have focused on the automatic maritime target recognition (AMTR) problemby most commonly employing traditional classification approaches that generally consistof feature extraction, dimension reduction steps followed by SVM, k-NN, PNN vbclassifiers. Since the traditional methods have been lacking to provide the limiting solutionsto the AMTR problem, further researches especially those inspired by deep-learningperspectives are ongoing in order to enhance the overall recognition capability.Within this thesis, an extensive investigation on the traditional and deep-learning-basedclassification of the measuremental high-resolution range profiles (HRRPs) that are collectedby a real-time radar system is carried out. The detailed examination has beenperformed by focusing on twelve different maritime target classes. The traditional maritimetarget classification approaches have been constructed to employ anomaly detection,clutter suppression, feature extraction, feature/ dimension reduction, k-nearest neighbor(k-NN), image classification-based convolutional neural network (CNN) and object detectionbased Mask R-CNN and YOLOv2 classifiers. By evaluating and averaging theclassification performances and confusion matrices corresponding to numerous instancesof input data, the ultimate performances of all methods have been critized and compared.For the object detection methods, the variation of threshold values and two labelingapproaches consisting of labeling only the target sector and the entire image has beeninvestigated after performing data training process with the resulting configurations.When compared to the traditional methods, object detection methods prevents the possibledata loss by extinguishing the clutter suppression, dimension reduction and featureextraction steps. Besides, object detection methods paves the way for achieving accuratedetection/ recognition of multiple targets via single image shots.