| 電子情報通信学会 研究会発表申込システム 講演論文 詳細 |
技報閲覧サービス [ログイン] 技報アーカイブ |
| トップに戻る | 前のページに戻る | [Japanese] / [English] |
| 講演抄録／キーワード | ||
| 講演名 | 2018-10-19 13:35 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地中モデル逆推定 ○園田 潤（仙台高専）・木本智幸（大分高専）  EMCJ2018-53 MW2018-89 EST2018-75 エレソ技報アーカイブへのリンク：MW2018-89 EST2018-75 |
|
| 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，地中レーダ画像からの地中モデル逆推定を目的に，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地中モデル可視化について報告する． |
| （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 estimate the underground objects from the GPR images, we have developed an underground model inversion 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 / 逆問題 / FDTD法 / GPU / / |
| （英） | generative adversarial networks / deep learning / ground penetrating radar / inversion / FDTD method / GPU / / | |
| 文献情報 | 信学技報, vol. 118, no. 249, EST2018-75, pp. 115-119, 2018年10月. | |
| 資料番号 | EST2018-75 | |
| 発行日 | 2018-10-11 (EMCJ, MW, EST) | |
| 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 | EMCJ2018-53 MW2018-89 EST2018-75 エレソ技報アーカイブへのリンク：MW2018-89 EST2018-75 |
|
| 研究会情報 | |
| 研究会 | EST MW EMCJ IEE-EMC |
| 開催期間 | 2018-10-18 - 2018-10-19 |
| 開催地（和） | 八戸商工会館（青森県八戸市） |
| 開催地（英） | Hachinohe Chamber of Commerce and Industry(Hachinohe city, Aomori) |
| テーマ（和） | シミュレーション技術・EMC、マイクロ波、電磁界シミュレーション、一般 |
| テーマ（英） | Simulation techniques, EMC, Microwave, Electromagnetic field simulation, etc. |
| 講演論文情報の詳細 | |
| 申込み研究会 | EST |
| 会議コード | 2018-10-EST-MW-EMCJ-EMC |
| 本文の言語 | 日本語 |
| 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地中モデル逆推定 |
| サブタイトル（和） | |
| タイトル（英） | Underground Model Inversion from GPR Images by Deep Learning Using Generative Adversarial Networks |
| サブタイトル（英） | |
| 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） | 逆問題 / inversion |
| キーワード(5)（和/英） | FDTD法 / FDTD method |
| キーワード(6)（和/英） | GPU / GPU |
| 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 / |
| 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： ) |
| 講演者 | 第1著者 |
| 発表日時 | 2018-10-19 13:35:00 |
| 発表時間 | 25分 |
| 申込先研究会 | EST |
| 資料番号 | EMCJ2018-53, MW2018-89, EST2018-75 |
| 巻番号（vol） | vol.118 |
| 号番号（no） | no.247(EMCJ), no.248(MW), no.249(EST) |
| ページ範囲 | pp.115-119 |
| ページ数 | 5 |
| 発行日 | 2018-10-11 (EMCJ, MW, EST) |
[研究会発表申込システムのトップページに戻る]