| 講演名 | 2018-09-06 敵対的生成ネットワークを用いた深層学習による地中レーダ画像からのクラッタ除去 園田 潤(仙台高専), 木本 智幸(大分高専), |
|---|---|
| PDFダウンロードページ |  PDFダウンロードページへ |
| 抄録(和) | 地中レーダで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，近年劣化が社会問題化している社会インフラのセンシングに有効な技術である．しかしながら，地中レーダ画像から物体の材質や大きさを識別することが課題であった．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，GPUクラスタを用いた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．本稿では，不均質土壌におけるクラッタ（不要散乱波）に埋もれた地中レーダ画像の識別率向上を目的に，ディープラーニングによる画像生成手法である敵対的生成ネットワークGANを用いた地中レーダ画像からのクラッタ除去について報告する． |
| 抄録(英) | Recently, deterioration of social infrastructures such as tunnels and bridges become a serious social problem. It is required to rapidly and accurately detect for abnormal parts of the social infrastructures. The ground penetrating radar (GPR) is efficient for the social infrastructure inspection. However, it is difficult to identify the material and size of the underground object from the radar image obtained the GPR. To objectively and quantitatively investigate from the GPR images by the deep learning, we have automatically and massively generated the GPR images by a fast finite-difference time-domain (FDTD) simulation with graphics processing units (GPUs), and it has been learned the underground object using a deep convolutional neural network (CNN), with the generated GPR images. As the results, we have obtained multilayer layers CNN can identify six materials and size with roughly more than 80% accuracy in some inhomogeneous underground. In this study, to increase the accuracy of object identification for the GPR images with many clutters in some inhomogeneous underground, we try to reduce clutters from the GPR images by the deep learning using the generative adversarial networks (GAN). |
| キーワード(和) | 敵対的生成ネットワーク / 深層学習 / 地中レーダ / クラッタ除去 / FDTD法 / GPU |
| キーワード(英) | generative adversarial networks / deep learning / ground penetrating radar / clutter reducing / FDTD method / GPU |
| 資料番号 | EST2018-51 |
| 発行日 | 2018-08-30 (EST) |
| 研究会情報 | |
| 研究会 | EST |
|---|---|
| 開催期間 | 2018/9/6(から2日開催) |
| 開催地（和） | 久米島イーフ情報プラザ（沖縄県久米島町） |
| 開催地（英） | Kumejima-machi, Okinawa |
| テーマ（和） | シミュレーション技術，一般 |
| テーマ（英） | Simulation techniques, 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） | 江口 真史(千歳科技大) / 園田 潤(仙台高専) |
| 幹事氏名（英） | Masashi Eguchi(CIST) / Jun Sonoda(National Inst. of Tech.,Sendai College) |
| 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） | 敵対的生成ネットワークを用いた深層学習による地中レーダ画像からのクラッタ除去 |
| サブタイトル（和） | |
| タイトル（英） | Clutter Reduction from GPR Image by Deep Learning Using Generative Adversarial Network |
| サブタイトル（和） | |
| キーワード(1)（和/英） | 敵対的生成ネットワーク / generative adversarial networks |
| キーワード(2)（和/英） | 深層学習 / deep learning |
| キーワード(3)（和/英） | 地中レーダ / ground penetrating radar |
| キーワード(4)（和/英） | クラッタ除去 / clutter reducing |
| キーワード(5)（和/英） | FDTD法 / FDTD method |
| キーワード(6)（和/英） | GPU / GPU |
| 第 1 著者 氏名（和/英） | 園田 潤 / Jun Sonoda |
| 第 1 著者 所属（和/英） | 仙台高等専門学校(略称：仙台高専) National Institute of Technology, Sendai College(略称：NIT, Sendai College) |
| 第 2 著者 氏名（和/英） | 木本 智幸 / Tomoyuki Kimoto |
| 第 2 著者 所属（和/英） | 大分工業高等専門学校(略称：大分高専) National Institute of Technology, Oita College(略称：NIT, Oita College) |
| 発表年月日 | 2018-09-06 |
| 資料番号 | EST2018-51 |
| 巻番号（vol） | vol.118 |
| 号番号（no） | EST-209 |
| ページ範囲 | pp.47-51(EST), |
| ページ数 | 5 |
| 発行日 | 2018-08-30 (EST) |