| 講演名 | 2020-01-30 変分オートエンコーダを用いた半教師あり学習による地中レーダ画像からの埋設物識別 木本 智幸(大分高専), 園田 潤(仙台高専), |
|---|---|
| PDFダウンロードページ |  PDFダウンロードページへ |
| 抄録(和) | 地中レーダは，地中に入射した電波の誘電率差で生じる反射波により地中物体を検出する技術であり，近年問題になっている社会インフラの劣化状況を非破壊でセンシングするのに有効な技術である．我々は，ディープラーニングによる地中レーダ画像からの地中物体識別を目的に，FDTD法による地中レーダシミュレーションで学習用レーダ画像を生成し，畳み込みニューラルネットワーク(CNN)を用いて複数の不均質土壌における地中レーダ画像から物体の比誘電率や大きさの識別が可能なことを明らかにしてきた．しかしながら，実際の現場のレーダ画像に適用する場合，レーダ画像は大量に入手できるものの，埋設物の比誘電率やサイズは地面を掘って調べるしかなく，大量の画像で教師あり学習をすることは現実的でない．本研究では，正解ラベルのないレーダ画像を変分オードエンコーダで教師無し学習し，レーダ画像の高次元情報を潜在空間にマッピングした後，この潜在変数の一部に正解ラベルを付ける半教師あり学習を行うことで，同数の正解ラベルありレーダ画像をCNNで教師あり学習した場合よりも識別率が向上することを報告する． |
| 抄録(英) | Recently, deterioration of social infrastructures such as tunnels and bridges becomes serious social problem. It is required to rapidly and accurately detect for abnormal parts of the social infrastructures. The ground penetrating radar (GPR) is e?cient for the social infrastructure inspection, but, it is di?cult to identify the material and size of the underground object from the radar image obtained the GPR. In our previous studies, we have massively generated the GPR images by a fast ?nite-di?erence time-domain (FDTD) simulation, we make learned the generated GPR images to the convolution neural network (CNN). As the results, it has been clarified that the relative permittivity and size of the object can be identified from the underground radar images. However, when using real images of construction sites, correct labels such as the relative permittivity of buried objects can only be examined by digging the ground, and supervised learning is not practical. In this study, we use the unsupervised learning of radar images using variational auto encoders (VAE), and mapping high-dimensional information of radar images to latent space. And we report that the identification rate is improved, by semi-supervised learning to give correct labels to some of these latent variables. |
| キーワード(和) | 地中レーダ / 深層学習 / 変分オートエンコーダ / 半教師あり学習 |
| キーワード(英) | Grand Penetrating Rader / Deep Learning / Variational Auto Encoder / Semi-Supervised Leraning |
| 資料番号 | EST2019-80 |
| 発行日 | 2020-01-23 (EST) |
| 研究会情報 | |
| 研究会 | EST |
|---|---|
| 開催期間 | 2020/1/30(から2日開催) |
| 開催地（和） | 別府国際コンベンションセンター（小会議室31） |
| 開催地（英） | Beppu International Convention Center |
| テーマ（和） | シミュレーション技術、一般 |
| テーマ（英） | Simulation Technique, etc. |
| 委員長氏名（和） | 平田 晃正(名工大) |
| 委員長氏名（英） | Akimasa Hirata(Nagoya Inst. of Tech.) |
| 副委員長氏名（和） | 大貫 進一郎(日大) / 君島 正幸(アドバンテスト研) / 柴山 純(法政大) |
| 副委員長氏名（英） | Shinichiro Ohnuki(Nihon Univ.) / Masayuki Kimishima(Advantest) / Jun Shibayama(Hosei Univ.) |
| 幹事氏名（和） | 園田 潤(仙台高専) / 須賀 良介(青学大) |
| 幹事氏名（英） | Jun Sonoda(National Inst. of Tech.,Sendai College) / Ryosuke Suga(Aoyama Gakuin Univ.) |
| 幹事補佐氏名（和） | 伊藤 孝弘(名工大) / 藤田 和広(富士通) |
| 幹事補佐氏名（英） | Takahiro Ito(Nagoya Inst. of Tech.) / Kazuhiro Fujita(Fujitsu) |
| 講演論文情報詳細 | |
| 申込み研究会 | Technical Committee on Electronics Simulation Technology |
|---|---|
| 本文の言語 | JPN |
| タイトル（和） | 変分オートエンコーダを用いた半教師あり学習による地中レーダ画像からの埋設物識別 |
| サブタイトル（和） | |
| タイトル（英） | Embedded object identification from ground penetrating radar image by semi-supervised learning using variational auto-encoder |
| サブタイトル（和） | |
| キーワード(1)（和/英） | 地中レーダ / Grand Penetrating Rader |
| キーワード(2)（和/英） | 深層学習 / Deep Learning |
| キーワード(3)（和/英） | 変分オートエンコーダ / Variational Auto Encoder |
| キーワード(4)（和/英） | 半教師あり学習 / Semi-Supervised Leraning |
| 第 1 著者 氏名（和/英） | 木本 智幸 / Tomoyuki Kimoto |
| 第 1 著者 所属（和/英） | 大分高専(略称：大分高専) National Institute of Technology, Oita College(略称：NIT, Oita) |
| 第 2 著者 氏名（和/英） | 園田 潤 / Jun Sonoda |
| 第 2 著者 所属（和/英） | 仙台高専(略称：仙台高専) National Institute of Technology, Sendai College(略称：NIT, Sendai) |
| 発表年月日 | 2020-01-30 |
| 資料番号 | EST2019-80 |
| 巻番号（vol） | vol.119 |
| 号番号（no） | EST-407 |
| ページ範囲 | pp.7-12(EST), |
| ページ数 | 6 |
| 発行日 | 2020-01-23 (EST) |