Complex-valued neural networks for radar applications
Réseau de neurones à valeurs complexes pour les applications radar
Résumé
Radar signal and SAR image processing generally require complex-valued representations and operations, e.g., Fourier, wavelet transforms, Wiener, matched filters, etc. However, the vast majority of architectures for deep learning are currently based on real-valued operations, which restrict their ability to learn from complex-valued features. Despite the emergence of Complex-Valued Neural Networks (CVNNs), their application on radar and SAR still lacks study on their relevance and efficiency. And the comparison against an equivalent Real-Valued Neural Network (RVNN) is usually biased.In this thesis, we propose to investigate the merits of CVNNs for classifying complex-valued data. We show that CVNNs achieve better performance than their real-valued counterpart for classifying non-circular Gaussian data. We also define a criterion of equivalence between feed-forward fully connected and convolutional CVNNs and RVNNs in terms of trainable parameters while keeping a similar architecture. We statistically compare the performance of equivalent Multi-Layer Perceptrons (MLPs), Convolutional Neural Networks (CNNs), and Fully Convolutional Neural Networks (FCNNs) for polarimetric SAR image segmentation. SAR image splitting and balancing classes are also studied to avoid learning biases. In parallel, we also proposed an open-source toolbox to facilitate the implementation of CVNNs and the comparison with real-equivalent networks.
Le traitement des signaux radars et des images SAR nécessite généralement des représentations et des opérations à valeurs complexes, telles que les transformées de Fourier et d'ondelettes, les filtres de Wiener et les filtres adaptés, etc. Cependant, la grande majorité des architectures d'apprentissage profond sont actuellement basées sur des opérations à valeurs réelles, ce qui limite leur capacité d'apprentissage à partir de données complexes. Malgré l'émergence des réseaux de neurones à valeurs complexes (CVNN), leur application au radar et à l'imagerie SAR manque encore d'études sur leur pertinence et leur efficacité. Et la comparaison avec un réseau de neurones à valeurs réelles (RVNN) équivalent est généralement biaisée.Dans cette thèse, nous proposons d'étudier les mérites des CVNNs pour classifier des données complexes. Nous montrons que les CVNNs atteignent de meilleures performances que leur equivalent réel pour classifier des vecteurs à données gaussiennes non circulaires. Nous définissons également un critère d'équivalence entre les CVNNs et les RVNNs, entièrement connectés ou convolutifs, en termes du nombre de paramètres entraînables, tout en leur conservant une architecture similaire. Nous comparons ainsi statistiquement les performances de perceptrons multicouches (MLPs), de réseaux convolutifs (CNNs) et entièrement convolutifs (FCNNs) utilisés pour la segmentation d'images SAR polarimétriques. Le partitionnement des images SAR et l'équilibrage des classes sont étudiés afin d'éviter des biais d'apprentissage. En parallèle, nous avons également proposé une librairie open-source pour faciliter l'implémentation des CVNNs et la comparaison avec des réseaux équivalents réels.
Origine : Version validée par le jury (STAR)