講演抄録/キーワード |
講演名 |
2018-07-19 15:20
ディープラーニングにおける転移学習とFDTDシミュレーションによる地中レーダ画像の識別 ○園田 潤(仙台高専)・木本智幸(大分高専) EMT2018-17 MW2018-32 OPE2018-20 EST2018-15 MWP2018-16 エレソ技報アーカイブへのリンク:EMT2018-17 MW2018-32 OPE2018-20 EST2018-15 MWP2018-16 |
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,多層のニューラルネットワークを用いた機械学習であるディーラーニングによる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CNNを用いた複雑さの異なる多様な媒質における地中物体の識別特性を検討している.本稿では,ImageNetで学習済みのVGG16の結合加重を用いた転移学習とシミュレーション画像による実験画像の識別向上について報告する. |
(英) |
In this study, to automatically detect underground objects from the ground penetrating radar (GPR) images by the deep neural network (DNN), we have generated GPR images for training the DNN using a fast finite-difference time-domain (FDTD) simulation with graphics processing units (GPUs). Also, we have obtained characteristics of underground objects using the generated GPR images with a convolutional neural network (CNN) and finetuning using a modified VGG16 trained by the ImageNet. It is shown that the CNN and the VGG16 can identify four materials of experimental GPR images roughly 75% and 80% accuracy, respectively. |
キーワード |
(和) |
ディープラーニング / 転移学習 / VGG16 / CNN / 地中レーダ / FDTD / / |
(英) |
Deep learning / transfer learning / VGG16 / CNN / ground penetrating radar / FDTD / / |
文献情報 |
信学技報, vol. 118, no. 144, EST2018-15, pp. 59-62, 2018年7月. |
資料番号 |
EST2018-15 |
発行日 |
2018-07-12 (EMT, MW, OPE, EST, MWP) |
ISSN |
Print edition: ISSN 0913-5685 Online edition: ISSN 2432-6380 |
著作権に ついて |
技術研究報告に掲載された論文の著作権は電子情報通信学会に帰属します.(許諾番号:10GA0019/12GB0052/13GB0056/17GB0034/18GB0034) |
PDFダウンロード |
EMT2018-17 MW2018-32 OPE2018-20 EST2018-15 MWP2018-16 エレソ技報アーカイブへのリンク:EMT2018-17 MW2018-32 OPE2018-20 EST2018-15 MWP2018-16 |
研究会情報 |
研究会 |
EST MW OPE MWP EMT IEE-EMT THz |
開催期間 |
2018-07-19 - 2018-07-20 |
開催地(和) |
洞爺観光ホテル |
開催地(英) |
|
テーマ(和) |
光・電波ワークショップ |
テーマ(英) |
|
講演論文情報の詳細 |
申込み研究会 |
EST |
会議コード |
2018-07-EST-MW-OPE-MWP-EMT-EMT-THz |
本文の言語 |
日本語 |
タイトル(和) |
ディープラーニングにおける転移学習とFDTDシミュレーションによる地中レーダ画像の識別 |
サブタイトル(和) |
|
タイトル(英) |
GPR Image Recognition by Transfer Learning with FDTD Simulation on Deep Learning |
サブタイトル(英) |
|
キーワード(1)(和/英) |
ディープラーニング / Deep learning |
キーワード(2)(和/英) |
転移学習 / transfer learning |
キーワード(3)(和/英) |
VGG16 / VGG16 |
キーワード(4)(和/英) |
CNN / CNN |
キーワード(5)(和/英) |
地中レーダ / ground penetrating radar |
キーワード(6)(和/英) |
FDTD / FDTD |
キーワード(7)(和/英) |
/ |
キーワード(8)(和/英) |
/ |
第1著者 氏名(和/英/ヨミ) |
園田 潤 / Jun Sonoda / ソノダ ジュン |
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) |
第2著者 氏名(和/英/ヨミ) |
木本 智幸 / Tomoyuki Kimoto / キモト トモユキ |
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) |
第3著者 氏名(和/英/ヨミ) |
/ / |
第3著者 所属(和/英) |
(略称: )
(略称: ) |
第4著者 氏名(和/英/ヨミ) |
/ / |
第4著者 所属(和/英) |
(略称: )
(略称: ) |
第5著者 氏名(和/英/ヨミ) |
/ / |
第5著者 所属(和/英) |
(略称: )
(略称: ) |
第6著者 氏名(和/英/ヨミ) |
/ / |
第6著者 所属(和/英) |
(略称: )
(略称: ) |
第7著者 氏名(和/英/ヨミ) |
/ / |
第7著者 所属(和/英) |
(略称: )
(略称: ) |
第8著者 氏名(和/英/ヨミ) |
/ / |
第8著者 所属(和/英) |
(略称: )
(略称: ) |
第9著者 氏名(和/英/ヨミ) |
/ / |
第9著者 所属(和/英) |
(略称: )
(略称: ) |
第10著者 氏名(和/英/ヨミ) |
/ / |
第10著者 所属(和/英) |
(略称: )
(略称: ) |
第11著者 氏名(和/英/ヨミ) |
/ / |
第11著者 所属(和/英) |
(略称: )
(略称: ) |
第12著者 氏名(和/英/ヨミ) |
/ / |
第12著者 所属(和/英) |
(略称: )
(略称: ) |
第13著者 氏名(和/英/ヨミ) |
/ / |
第13著者 所属(和/英) |
(略称: )
(略称: ) |
第14著者 氏名(和/英/ヨミ) |
/ / |
第14著者 所属(和/英) |
(略称: )
(略称: ) |
第15著者 氏名(和/英/ヨミ) |
/ / |
第15著者 所属(和/英) |
(略称: )
(略称: ) |
第16著者 氏名(和/英/ヨミ) |
/ / |
第16著者 所属(和/英) |
(略称: )
(略称: ) |
第17著者 氏名(和/英/ヨミ) |
/ / |
第17著者 所属(和/英) |
(略称: )
(略称: ) |
第18著者 氏名(和/英/ヨミ) |
/ / |
第18著者 所属(和/英) |
(略称: )
(略称: ) |
第19著者 氏名(和/英/ヨミ) |
/ / |
第19著者 所属(和/英) |
(略称: )
(略称: ) |
第20著者 氏名(和/英/ヨミ) |
/ / |
第20著者 所属(和/英) |
(略称: )
(略称: ) |
講演者 |
第1著者 |
発表日時 |
2018-07-19 15:20:00 |
発表時間 |
25分 |
申込先研究会 |
EST |
資料番号 |
EMT2018-17, MW2018-32, OPE2018-20, EST2018-15, MWP2018-16 |
巻番号(vol) |
vol.118 |
号番号(no) |
no.141(EMT), no.142(MW), no.143(OPE), no.144(EST), no.145(MWP) |
ページ範囲 |
pp.59-62 |
ページ数 |
4 |
発行日 |
2018-07-12 (EMT, MW, OPE, EST, MWP) |
|