본 논문에서는 해군 위성 SAR (Synthetic Aperture Radar)를 위한 잡음 제거 기반의 영상 트랜스포 머 (Vision Transformer) 인식 향상 방법을 제안한다. 최근 미 해군은 SAR 데이터를 활용하여 기상 조 건에 영향을 받지 않고 육지나 해상의 상태를 관측하고 추적하고 있다. 그러나 기존 SAR에 많이 활용되 는 인식 기법들은 인식률의 한계를 가지고 있다. 특히, 최근 ViT (Vision Transformer)나 스윈 스랜스 포머와 같은 영상 트랜스포머 기법은 최근 컴퓨터 비전 분야에서 널리 사용되고 있지만, SAR 결과를 활 용하여 타겟 인식을 하는 연구가 부족한 상황이다. 또한, 다양한 환경 조건으로 인해 잡음의 영향이 큰 경우에, SAR는 영상 트랜스포머 기법의 인식률을 높이기 위한 다양한 시도가 필요하다. 이를 해결하기 위해, 본 논문에서는 DnCNN (Denoising Convolutional Neural Networks) 기반의 영상 트랜스포머 인식 향상 방법에 대해 논의한다. 이 방법은 SAR 데이터에 transformer 기법을 적용하기 전에 잡음를 제거하여 인식률을 향상시킨다. 제안된 방법을 적용한 결과, DnCNN기반의 ViT의 경우 인식률이 기존 ViT 방식에 비해 약 119% 개선되었다. 또한, DnCNN기반의 스윈 트랜스포머의 경우에는 인식률이 기 존 스윈 트랜스포머 방식에 비해 약 18% 개선된 결과를 보여준다.
This paper proposes a noise removal-based image transformer enhancement method for naval satellite Synthetic-Aperture Radar (SAR). The recent U.S. Navy extensively utilizes SAR data to observe and track the conditions of land and sea regardless of weather conditions. However, existing recognition techniques widely used in SAR have limitations in recognition rates. Especially, recent image transformer techniques such as ViT and Swin Transformer are widely used in the computer vision field, but there is a lack of research utilizing SAR results for target recognition. Moreover, in cases where noise significantly affects due to various environmental conditions, SAR requires various attempts to improve the recognition rate of image transformer techniques. To address this issue, this paper discusses the denoising-based image transformer enhancement method using DnCNN. This method removes noise from SAR data before applying transformer techniques to improve the recognition rate. The results show that applying the proposed method improved the recognition rate by approximately 87% for ViT and approximately 18% for Swin Transformer compared to previous results.
