JP7130169B2 - 不要波学習装置、不要波学習方法、不要波検出装置及び不要波検出方法 - Google Patents

Description

本開示は、学習モデルを生成する不要波学習装置及び不要波学習方法と、不要波が存在している領域を探索する不要波検出装置及び不要波検出方法とに関するものである。

レーダの観測結果を示す電波画像には、目標の他に、シークラッタ、又は、電離層クラッタ等の不要波が映っていることがある。電波画像から目標を検出する従来の目標検出装置では、目標の検出性能を高めるため、電波画像から目標を検出する処理を行う前に、電波画像に映っている不要波の抑圧処理を行うことがある。
不要波の抑圧処理として、一定誤警報確率処理（ＣＦＡＲ：Ｃｏｎｓｔａｎｔ Ｆａｌｓｅ Ａｌａｒｍ Ｒａｔｅ）が知られている。

以下の非特許文献１には、畳み込みニューラルネットワーク（ＣＮＮ：Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋｓ）を用いて、電波画像に含まれている不要波が存在している領域である不要波領域の外接矩形を検出する不要波検出方法が開示されている。当該ＣＮＮは、電波画像と、不要波領域の外接矩形を示す教師データとを用いて、不要波領域の外接矩形を事前に学習しており、電波画像が与えられると、不要波領域の外接矩形を出力するものである。
従来の目標検出装置が、検出された不要波領域の外接矩形に対して、ＣＦＡＲを実施すれば、外接矩形の中に含まれている不要波を抑圧することができる。

Zhang Ling, You Wei, Wu Q. M. Jonathan, Qi Shengbo, Ji Yonggang, Deep Learning-Based Automatic Clutter/Interference Detection for HFSWR, Remote Sensing, Vol.10, No.10, 2018.

非特許文献１に開示されている不要波検出方法によって検出された不要波領域の外接矩形の中に、目標の信号が含まれていることがある。従来の目標検出装置が、目標の信号が含まれている外接矩形に対してＣＦＡＲを実施すると、不要波と一緒に目標の信号も抑圧してしまうため、目標を検出できなくなることがある。
不要波領域の外接矩形の中に、目標の信号が含まれる可能性を低減するには、出来る限り細かく分割された外接矩形を示す教師データを用意し、非特許文献１に開示されているＣＮＮが、当該教師データを用いて、不要波領域の外接矩形を学習しておく必要があるという課題があった。細かく分割された外接矩形を示す教師データを用意することは、困難であることがある。

本開示は、上記のような課題を解決するためになされたもので、細かく分割された外接矩形を示す教師データを用意することなく、不要波が連結されている不要波グラフを出力することが可能な学習モデルを生成することができる不要波学習装置及び不要波学習方法を得ることを目的とする。

本開示に係る不要波学習装置は、レーダの観測結果を示す電波画像から得られる２次元のレンジドップラマップにおいて誤検出された１つ以上の不要波を連結することによって、不要波が連結されている不要波グラフを生成し、不要波グラフを教師データとして出力する不要波グラフ生成部と、電波画像と、不要波グラフ生成部から出力された教師データとを用いて、不要波グラフを学習し、電波画像が与えられると、不要波グラフを出力する学習モデルを生成する学習モデル生成部と、を備えるものである。

本開示によれば、細かく分割された外接矩形を示す教師データを用意することなく、不要波が連結されている不要波グラフを出力することが可能な学習モデルを生成することができる。

実施の形態１に係る不要波学習装置を示す構成図である。 実施の形態１に係る不要波学習装置のハードウェアを示すハードウェア構成図である。 不要波学習装置が、ソフトウェア又はファームウェア等によって実現される場合のコンピュータのハードウェア構成図である。 実施の形態１に係る不要波検出装置を示す構成図である。 実施の形態１に係る不要波検出装置のハードウェアを示すハードウェア構成図である。 不要波検出装置が、ソフトウェア又はファームウェア等によって実現される場合のコンピュータのハードウェア構成図である。 図１に示す不要波学習装置及び図４に示す不要波検出装置におけるそれぞれの機能を示す説明図である。 実施の形態１に係る不要波学習装置の処理手順である不要波学習方法を示すフローチャートである。 エッジの生成規則を満足していない不要波グラフの例を示す説明図である。 最小全域木の一例を示す説明図である。 最小全域木の生成時に生じるエッジ選択の問題を示す説明図である。 不要波の電力値を考慮して、最小全域木の生成時にエッジを選択する方法を示す説明図である。 ＣＮＮのアーキテクチャを示す概念図である。 ＣＮＮの学習時に与える教師データとしての、正解特徴マップの設計方法を示す説明図である。 正解特徴マップの生成規則Ｎ_ｊ，ｋ ^＊を示す説明図である。 正解特徴マップの生成規則Ｅ_ｊ，ｋ ^＊を示す説明図である。 正解特徴マップＮ_ｊ ^＊，Ｅ_ｊ ^＊の生成例を示す説明図である。 実施の形態１に係る不要波検出装置の処理手順である不要波検出方法を示すフローチャートである。 実施の形態１に係る不要波検出装置の処理内容を示す説明図である。 出力特徴マップＮ_ｊ ^Ｔのピーク検出を示す説明図である。 出力特徴マップＥ_ｊ ^Ｔからのエッジｅハットの推定を示す説明図である。 不要波グラフの推定例を示す説明図である。

以下、本開示をより詳細に説明するために、本開示を実施するための形態について、添付の図面に従って説明する。

実施の形態１．
図１は、実施の形態１に係る不要波学習装置を示す構成図である。
図２は、実施の形態１に係る不要波学習装置のハードウェアを示すハードウェア構成図である。
図１に示す不要波学習装置は、不要波グラフ生成部１及び学習モデル生成部２を備えている。

不要波グラフ生成部１は、例えば、図２に示す不要波グラフ生成回路１１によって実現される。
不要波グラフ生成部１は、レーダの観測結果を示す電波画像から誤検出された１つ以上の不要波を連結することによって、不要波が連結されている不要波グラフを生成する。
不要波グラフ生成部１は、不要波グラフを教師データとして、学習モデル生成部２に出力する。

学習モデル生成部２は、例えば、図２に示す学習モデル生成回路１２によって実現される。
学習モデル生成部２は、電波画像と、不要波グラフ生成部１から出力された教師データとを用いて、不要波グラフを学習し、電波画像が与えられると、不要波グラフを出力する学習モデルを生成する。学習モデルは、例えば、ＣＮＮによって実現される。
学習モデル生成部２により生成された学習モデルは、学習モデル３２として、図４に示す不要波検出装置の不要波グラフ取得部３１に実装される。

図１では、不要波学習装置の構成要素である不要波グラフ生成部１及び学習モデル生成部２のそれぞれが、図２に示すような専用のハードウェアによって実現されるものを想定している。即ち、不要波学習装置が、不要波グラフ生成回路１１及び学習モデル生成回路１２によって実現されるものを想定している。
不要波グラフ生成回路１１及び学習モデル生成回路１２のそれぞれは、例えば、単一回路、複合回路、プログラム化したプロセッサ、並列プログラム化したプロセッサ、ＡＳＩＣ（Ａｐｐｌｉｃａｔｉｏｎ Ｓｐｅｃｉｆｉｃ Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔ）、ＦＰＧＡ（Ｆｉｅｌｄ－Ｐｒｏｇｒａｍｍａｂｌｅ Ｇａｔｅ Ａｒｒａｙ）、又は、これらを組み合わせたものが該当する。

不要波学習装置の構成要素は、専用のハードウェアによって実現されるものに限るものではなく、不要波学習装置が、ソフトウェア、ファームウェア、又は、ソフトウェアとファームウェアとの組み合わせによって実現されるものであってもよい。
ソフトウェア又はファームウェアは、プログラムとして、コンピュータのメモリに格納される。コンピュータは、プログラムを実行するハードウェアを意味し、例えば、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）、中央処理装置、処理装置、演算装置、マイクロプロセッサ、マイクロコンピュータ、プロセッサ、あるいは、ＤＳＰ（Ｄｉｇｉｔａｌ Ｓｉｇｎａｌ Ｐｒｏｃｅｓｓｏｒ）が該当する。

図３は、不要波学習装置が、ソフトウェア又はファームウェア等によって実現される場合のコンピュータのハードウェア構成図である。
不要波学習装置が、ソフトウェア又はファームウェア等によって実現される場合、不要波グラフ生成部１及び学習モデル生成部２におけるそれぞれの処理手順をコンピュータに実行させるためのプログラムがメモリ２１に格納される。そして、コンピュータのプロセッサ２２がメモリ２１に格納されているプログラムを実行する。

また、図２では、不要波学習装置の構成要素のそれぞれが専用のハードウェアによって実現される例を示し、図３では、不要波学習装置がソフトウェア又はファームウェア等によって実現される例を示している。しかし、これは一例に過ぎず、不要波学習装置における一部の構成要素が専用のハードウェアによって実現され、残りの構成要素がソフトウェア又はファームウェア等によって実現されるものであってもよい。

図４は、実施の形態１に係る不要波検出装置を示す構成図である。
図５は、実施の形態１に係る不要波検出装置のハードウェアを示すハードウェア構成図である。
図４に示す不要波検出装置は、不要波グラフ取得部３１及び不要波領域探索部３３を備えている。

不要波グラフ取得部３１は、例えば、図５に示す不要波グラフ取得回路４１によって実現される。
不要波グラフ取得部３１は、図１に示す不要波学習装置の学習モデル生成部２により生成された学習モデル３２を有している。
不要波グラフ取得部３１は、電波画像を学習モデル３２に与えることによって、学習モデル３２から不要波グラフを取得する。
不要波グラフ取得部３１は、取得した不要波グラフを不要波領域探索部３３に出力する。

不要波領域探索部３３は、例えば、図５に示す不要波領域探索回路４２によって実現される。
不要波領域探索部３３は、不要波グラフ取得部３１により取得された不要波グラフから、学習モデル３２に与えられた電波画像に含まれている不要波が存在している領域である不要波領域を探索する。

図４では、不要波検出装置の構成要素である不要波グラフ取得部３１及び不要波領域探索部３３のそれぞれが、図５に示すような専用のハードウェアによって実現されるものを想定している。即ち、不要波検出装置が、不要波グラフ取得回路４１及び不要波領域探索回路４２によって実現されるものを想定している。
不要波グラフ取得回路４１及び不要波領域探索回路４２のそれぞれは、例えば、単一回路、複合回路、プログラム化したプロセッサ、並列プログラム化したプロセッサ、ＡＳＩＣ、ＦＰＧＡ、又は、これらを組み合わせたものが該当する。

不要波検出装置の構成要素は、専用のハードウェアによって実現されるものに限るものではなく、不要波検出装置が、ソフトウェア、ファームウェア、又は、ソフトウェアとファームウェアとの組み合わせによって実現されるものであってもよい。
図６は、不要波検出装置が、ソフトウェア又はファームウェア等によって実現される場合のコンピュータのハードウェア構成図である。
不要波検出装置が、ソフトウェア又はファームウェア等によって実現される場合、不要波グラフ取得部３１及び不要波領域探索部３３におけるそれぞれの処理手順をコンピュータに実行させるためのプログラムがメモリ５１に格納される。そして、コンピュータのプロセッサ５２がメモリ５１に格納されているプログラムを実行する。

また、図５では、不要波検出装置の構成要素のそれぞれが専用のハードウェアによって実現される例を示し、図６では、不要波検出装置がソフトウェア又はファームウェア等によって実現される例を示している。しかし、これは一例に過ぎず、不要波検出装置における一部の構成要素が専用のハードウェアによって実現され、残りの構成要素がソフトウェア又はファームウェア等によって実現されるものであってもよい。

次に、図１に示す不要波学習装置の動作について説明する。
図７は、図１に示す不要波学習装置及び図４に示す不要波検出装置におけるそれぞれの機能を示す説明図である。
図８は、実施の形態１に係る不要波学習装置の処理手順である不要波学習方法を示すフローチャートである。

まず、不要波グラフ生成部１は、レーダの観測結果を示す電波画像から誤検出された１つ以上の不要波を連結することによって、不要波が連結されている不要波グラフを生成する（図８のステップＳＴ１）。
不要波グラフ生成部１は、不要波グラフを教師データとして、学習モデル生成部２に出力する。
不要波グラフは、グラフ理論における、ノードの集合とエッジの集合とを含むネットワーク構造である。ノードは、グラフの節点又はグラフの頂点であり、不要波プロットと呼ばれる。エッジは、グラフの枝又はグラフの辺であり、或るノードと或るノードとの間を接続するものである。

以下、不要波グラフ生成部１による不要波グラフの生成処理を具体的に説明する。
学習モデルを実現するＣＮＮでは、全ての不要波グラフを学習に用いることができないため、不要波グラフの学習に用いることが可能な不要波グラフを教師データとして生成する必要がある。
不要波グラフＧ（Ｖ，Ｅ）の構成要素は、ノードＶ＝｛ｖ_１，ｖ_２，・・・｝とエッジＥ＝｛ｅ_１，ｅ_２，・・・｝との組みである。ノードＶは、レンジドップラマップ（以下、「ＲＤ（Ｒａｎｇｅ－Ｄｏｐｐｌｅｒ）マップ」と称する）に対するＣＦＡＲの実施によって誤検出された不要波プロットである。ＲＤマップは、電波画像から得られる２次元のマップである。ＲＤマップを得る処理自体は、公知の技術であるため詳細な説明を省略する。図７では、不要波プロットに関する情報をプロット情報と表記している。
エッジＥは、或る不要波プロットと或る不要波プロットとの間の接続関係を示すものである。

ＣＮＮの学習に用いることが可能な不要波グラフＧ（Ｖ，Ｅ）は、答えが一意に定まるような規則性を有している必要である。
不要波グラフ生成部１では、不要波グラフＧ（Ｖ，Ｅ）のエッジの生成規則として、以下に示す仮定（１）、仮定（２）及び仮定（３）を用意している。
図９は、エッジの生成規則を満足していない不要波グラフの例を示す説明図である。
仮定（１）は、任意の２つの不要波プロットであるノードの間を接続する道が存在し、かつ、始点となるノードから終点となるノードに至るまで、全てのノードが連結されているという生成規則である。道とは、２つのノードの間にエッジが存在することを意味する。
図９の左側の例は、仮定（１）を満足していない不要波グラフを示している。或るノード間に道が存在しない不要波グラフは、１つの不要波グラフが複数に分割されてしまっているため、教師データとして用いることができない。

仮定（２）は、閉路となるような余分なエッジが存在しないという生成規則である。閉路とは、或るノードを起点として、他の２つ以上のノードを経由して、起点のノードに戻るループがあることを意味する。
図９の真ん中の例は、仮定（２）を満足していない不要波グラフを示している。閉路を持っている不要波グラフは、ノードの次数に制約を与えなければ、ノード間を接続する組み合わせが膨大になってしまうため、教師データとして用いることができない。次数とは、ノードが持つエッジの数である。
仮定（３）は、エッジの長さの総和が最小であるという生成規則である。互いの距離が短いノード同士が接続されている方が、互いの距離が長いノード同士が接続されているよりも、ノード同士の関連度合いが高いと考えられる。
図９の右側に示す不要波グラフは、エッジの長さの総和が大きく、総和が最小でないため、仮定（３）を満足していない。

不要波グラフ生成部１は、仮定（１）、仮定（２）及び仮定（３）のそれぞれを満足する不要波グラフとして、最小全域木を生成する。最小全域木は、全てのノードが連結されたグラフであって、閉路を持たないグラフである。また、最小全域木は、エッジの重みの総和が最小となるグラフである。
最小全域木は、重み付きのエッジ集合Ｔによって構成され、以下の式（１）のように表される。

式（１）において、ｗ_ｅは、エッジｅの重みである。

図１０は、最小全域木の一例を示す説明図である。
図１０において、太線で表されているエッジによって構成されている不要波グラフが最小全域木である。
任意のノード集合から最小全域木を求める代表的な最適化アルゴリズムとして、クラスカル法、プリム法、又は、ブルーフカ法等がある。
エッジｅの重みｗ_ｅは、エッジｅが接続するノード間の距離として扱うことができる。しかし、エッジｅの重みｗ_ｅをノード間の距離として扱う場合、図１１に示すように、エッジｅの選択肢として、複数の選択肢（１）～（３）を生じることがある。
図１１は、最小全域木の生成時に生じるエッジ選択の問題を示す説明図である。図１１において、（１）～（３）のそれぞれは、エッジの選択肢を示している。図１１において、横軸はドップラーを表し、縦軸はレンジを表している。
図１１は、選択肢（１）～（３）の全てが同じ長さであるため、ノード間の距離だけでは、一意に選択することが不可能である。
しかし、ＲＤマップ上の不要波の分布を考慮すれば、図１１に示すように、選択肢（２）のみが不要波の中を通るエッジであるため、選択肢（２）を選択することが妥当であると考えられる。

不要波グラフ生成部１は、例えば、ノードｖ_ｉとノードｖ_ｊとを接続するエッジｅの重みｗ_ｅを、以下の式（２）のように算出する。

式（２）において、Ｚ（ｐ）は、ＲＤマップ上の２次元座標ｐの信号電力値、ｖ_ｉ，ｖ_ｊは、ノードの座標を示している。
ｕは、エッジｅが接続するノード間の位置を、図１２に示すように、０から１で表す際の媒介変数である。
図１２は、不要波の電力値を考慮して、最小全域木の生成時にエッジを選択する方法を示す説明図である。
図１２において、重みｗ_ｅは、エッジｅ上の信号電力値の線積分値にマイナスを掛けた値である。
図１２に示す選択方法では、最小全域木の生成において、重みｗ_ｅが小さいエッジｅを優先して選択するため、重みｗ_ｅが最も小さい選択肢（２）に係るエッジｅが選択される。
不要波グラフ生成部１は、生成した最小全域木Ｇ（Ｖ，Ｔ）を正解の不要波グラフとし、正解の不要波グラフを教師データとして学習モデル生成部２に出力する。

学習モデル生成部２は、電波画像と、不要波グラフ生成部１から出力された教師データとを用いて、不要波グラフを学習し、電波画像が与えられると、不要波グラフを出力する学習モデルを生成する（図８のステップＳＴ２）。
以下、学習モデル生成部２による学習モデルの生成処理を具体的に説明する。

学習モデル生成部２は、学習モデルをＣＮＮによって実現するため、不要波グラフを学習するＣＮＮを構築する。
図１３は、ＣＮＮのアーキテクチャを示す概念図である。
図１３に示すアーキテクチャでは、ＣＮＮが、２つの枝で構成されている。
一方の枝は、ＲＤマップＸが与えられると、不要波グラフのノードの位置と、ノードの種別とを推定するノードネットワークφ^ｔ（Ｘ）である。ＲＤマップＸは、電波画像から得られる２次元のマップである。
他方の枝は、ＲＤマップＸが与えられると、不要波グラフのエッジの位置と、エッジの種別とを推定するエッジネットワークΨ^ｔ（Ｘ）である。Ｒは、ＲＤマップＸにおけるレンジ方向のセル数、Ｖは、ＲＤマップＸにおけるドップラー方向のセル数である。
ｔ＝｛１，２，・・・，Ｔ｝であり、ｔはステージ番号を表している。１ステージ目（Ｓｔａｇｅ ｔ＝１）は、ノードネットワークφ^ｔ（Ｘ）から、後述する損失値ｆ_Ｎ ^ｔ＝１を算出し、エッジネットワークΨ^ｔ（Ｘ）から、後述する損失値ｆ_Ｅ ^ｔ＝１を算出するステージである。
２ステージ目以降（Ｓｔａｇｅ ｔ＝｛２，・・・，Ｔ｝）は、ノードネットワークφ^ｔ（Ｘ）とエッジネットワークΨ^ｔ（Ｘ）とを結合し、ノードネットワークφ^ｔ（Ｘ）とエッジネットワークΨ^ｔ（Ｘ）との結合結果である特徴マップから、損失値ｆ_Ｎ ^ｔ及び損失値ｆ_Ｅ ^ｔのそれぞれを算出するステージである。

学習モデル生成部２は、以下の式（３）に示す損失関数ｆが最小化するように、ノードネットワークφ^ｔ（Ｘ）及びエッジネットワークΨ^ｔ（Ｘ）のそれぞれを学習する。

ｆ_Ｎ ^ｔは、ＣＮＮのステージｔにおいて、不要波グラフＧ（Ｖ，Ｔ）におけるノードの位置及びノードの種別のそれぞれと対応するＣＮＮの推定結果に対する損失値である。
ｆ_Ｅ ^ｔは、ＣＮＮのステージｔにおいて、不要波グラフＧ（Ｖ，Ｔ）におけるエッジの位置及びエッジの種別のそれぞれと対応するＣＮＮの推定結果に対する損失値である。
Ｎ_ｊ ^ｔは、以下の式（６）に示すように、ノードネットワークφ^ｔ（Ｘ）における複数の出力特徴マップの中のいずれか１つの出力特徴マップである。

Ｅ_ｊ ^ｔは、以下の式（７）に示すように、エッジネットワークΨ^ｔ（Ｘ）における複数の出力特徴マップの中のいずれか１つの出力特徴マップである。

ｐは、出力特徴マップの位置座標を表している。
Ｒ’は、それぞれの出力特徴マップにおけるレンジ方向のセル数、Ｖ’は、それぞれの出力特徴マップにおけるドップラー方向のセル数である。
Ｎ_ｊ ^＊，Ｅ_ｊ ^＊のそれぞれは、正解特徴マップであり、教師データである正解の不要波グラフより生成される。

Ｊは、図１４に示すノードネットワークφ^ｔ（Ｘ）の出力特徴マップの数であり、推定対象の種別数等に基づいて設定される。
図１４は、ＣＮＮの学習時に与える教師データとしての、正解特徴マップの設計方法を示す説明図である。
推定対象の種別がシークラッタであれば、ＲＤマップのドップラー軸０［ｍ／ｓ］付近のレンジ方向にシークラッタが分布している。
推定対象の種別が電離層クラッタであれば、ＲＤマップのレンジ軸の約１５０［ｋｍ］以遠において、ドップラー方向に広がりをもって電離層クラッタが分布している。
この事実を鑑みると、シークラッタ及び電離層クラッタのそれぞれは、図１４に示すように、３つの領域を参照することで推定可能である。
即ち、シークラッタは、領域（１）を参照することで推定可能である。
ドップラー軸のプラス側に存在する電離層クラッタは、領域（２）を参照することで推定可能であり、ドップラー軸のマイナス側に存在する電離層クラッタは、領域（３）を参照することで推定可能である。

図１４の例では、Ｊ＝３であり、不要波の種別と領域毎に、不要波を予測するように設計している。
即ち、シークラッタの予測用の特徴マップは、Ｎ_ｊ＝１ ^ｔ及びＥ_{ｊ＝１，２} ^ｔであり、ドップラー軸のプラス側に存在する電離層クラッタの予測用の特徴マップは、Ｎ_ｊ＝２ ^ｔ及びＥ_{ｊ＝３，４} ^ｔであり、マイナス側に存在する電離層クラッタの予測用の特徴マップは、Ｎ_ｊ＝３ ^ｔ及びＥ_{ｊ＝５，６} ^ｔである。
Ｅ_ｊ ^ｔの枚数が２Ｊ枚である理由は、エッジをベクトル場として表現するためである。

正解特徴マップＮ_ｊ ^＊，Ｅ_ｊ ^＊の生成方法について説明する。
教師データである不要波グラフのエッジは、不要波グラフ生成部１によって最小全域木として生成されており、最小全域木のノードの位置は、ＣＦＡＲのハイパーパラメータの設定に依存する。そのため、ノードの位置は、分散が大きく、正解が一意に定まらない問題がある。
学習モデル生成部２は、上記の問題に対処するため、不要波グラフを２枚の特徴マップとして表現する。即ち、学習モデル生成部２は、不要波グラフのノードを２次元ガウス分布による特徴マップで表現し、不要波グラフにおけるエッジ上の各点を２次元ベクトルによる特徴マップで表現する。

正解特徴マップＮ_ｊ ^＊は、以下の式（８）のように表される。

式（８）において、Ｎ_ｊ，ｋ ^＊は、推定対象ｊにおけるｋ番目の不要波の正解ヒートマップであり、以下の式（９）のように表される。推定対象ｊは、シークラッタ、ドップラー軸のプラス側に存在する電離層クラッタ、又は、ドップラー軸のマイナス側に存在する電離層クラッタである。

式（１０）において、ｖ_{ｊ，ｋ，ｖ}は、推定対象ｊにおけるｋ番目の不要波に対する正解ノードｖの座標である。
学習モデル生成部２は、図１５に示すように、ｖ_{ｊ，ｋ，ｖ}を分布の頂点するガウス分布を生成する。
そして、学習モデル生成部２は、全てのｖ_{ｊ，ｋ，ｖ}を重ね合わせることによって、２次元混合ガウス分布を生成する。２次元混合ガウス分布は、推定対象ｊにおけるｋ番目の不要波に対する正解特徴マップＮ_ｊ，ｋ ^＊である。
図１５は、正解特徴マップの生成規則Ｎ_ｊ，ｋ ^＊を示す説明図である。

正解特徴マップＥ_ｊ ^＊は、以下の式（１１）のように表される。

式（１１）において、Ｅ_{ｊ，ｋ，ｅ} ^＊は、推定対象ｊにおけるｋ番目の不要波が持つエッジｅに対する正解ベクトル場である。ｅは、ノードｖ_１とノードｖ_２とを接続するエッジである。ＲＤマップにおけるエッジｅ上の信号電力値ｚによって、ベクトル場が生成される。
また、ｎ_ｊは、図１６に示すように、エッジｅに適当な幅σを設定することによって生成できる領域ｅのうち、以下の式（１２）で定義されるＥ_{ｊ，ｋ，ｅ} ^＊（ｐ）が０でない座標ｐの数である。図１６は、正解特徴マップの生成規則Ｅ_ｊ，ｋ ^＊を示す説明図である。

式（１２）において、||▽Ｚ（ｐ）||は、座標ｐにおける信号電力値ｚ（ｐ）の勾配強度、ｅ_{ｊ，ｋ，ｖｉ}は、ノードｖ_ｉと接続されているエッジｅの方向の単位ベクトル、ｖ_{ｊ，ｋ，ｖｉ}は、ノードｖ_ｉの座標である。
“ｐ ｏｎ ｅ”は、座標ｐがエッジｅ上に乗っているかを判断する操作を表す記号であり、図１６に示す領域ｅバーを用いて判定される。明細書の文章中では、電子出願の関係上、文字の上に“－”の記号を付することができないため、ｅバーのように表記している。

上記の判定は、以下の式（１３）のように表される。

図１７は、正解特徴マップＮ_ｊ ^＊，Ｅ_ｊ ^＊の生成例を示す説明図である。
学習モデル生成部２は、正解特徴マップＮ_ｊ ^＊，Ｅ_ｊ ^＊を用いて、不要波グラフを学習することによって、不要波グラフを学習した学習モデルを生成する。
学習モデルは、ノードネットワークφ^ｔ（Ｘ）の正解特徴マップＮ_ｊ ^＊及びエッジネットワークΨ^ｔ（Ｘ）の正解特徴マップＥ_ｊ ^＊のそれぞれを学習することによって最適化された学習済みパラメータを有している。
学習モデル生成部２により生成された学習モデルは、学習モデル３２として、図４に示す不要波検出装置の不要波グラフ取得部３１に実装される。

図１８は、実施の形態１に係る不要波検出装置の処理手順である不要波検出方法を示すフローチャートである。
図１９は、実施の形態１に係る不要波検出装置の処理内容を示す説明図である。
不要波グラフ取得部３１は、図１に示す不要波学習装置の学習モデル生成部２により生成された学習モデル３２を有している。
不要波グラフ取得部３１は、電波画像を学習モデル３２に与えることによって、学習モデル３２から不要波グラフを取得する（図１８のステップＳＴ１１）。
不要波グラフ取得部３１は、取得した不要波グラフを不要波領域探索部３３に出力する。

以下、不要波グラフ取得部３１による不要波グラフの取得処理を具体的に説明する。
不要波グラフ取得部３１は、図１９に示すように、電波画像から得られるＲＤマップを学習モデル３２に与えることによって、ＲＤマップにおけるそれぞれの不要波領域の不要波グラフを推定する。
ノードネットワークφ^ｔ（Ｘ）における出力特徴マップＮ_ｊ ^Ｔは、ヒートマップとして表現されているため、具体的なノードの座標が一点に定まっていない。出力特徴マップＮ_ｊ ^Ｔは、ＣＮＮの最終ステージにおける出力特徴マップである。
具体的なノードの座標が一点に定まっていなければ、不要波グラフを推定することができないため、不要波グラフ取得部３１は、具体的なノードを推定する必要がある。
エッジネットワークΨ^ｔ（Ｘ）における出力特徴マップＥ_ｊ ^Ｔは、ベクトル場として表現されているため、具体的なエッジが１つに定まっていない。出力特徴マップＥ_ｊ ^Ｔは、ＣＮＮの最終ステージにおける出力特徴マップである。
具体的なエッジが１つに定まっていなければ、不要波グラフを推定することができないため、不要波グラフ取得部３１は、具体的なエッジを推定する必要がある。

不要波グラフ取得部３１は、推定対象ｊにおける出力特徴マップＮ_ｊ ^Ｔのピークを検出する。
出力特徴マップＮ_ｊ ^Ｔは、図２０における左下のグラフに示すように、重なりの大きい複数の混合ガウス分布となっていることが想定される。
図２０は、出力特徴マップＮ_ｊ ^Ｔのピーク検出を示す説明図である。
一定以上の重なりを持つ複数の混合ガウス分布の中の１つのガウス分布を残して、１つのガウス分布のピークを検出するには、例えば、ＮＭＳ（Ｎｏｎ－Ｍａｘｉｍｕｍ Ｓｕｐｐｒｅｓｓｉｏｎ）を用いることができる。ＮＭＳは、光学画像の物体検出に用いられる公知の方法である。即ち、ＮＭＳは、検出した複数の検出窓に重なりがある場合、１つの検出窓のみを残して、その他の検出窓を削除する方法である。
重なり度合いは、ＩｏＵ（Ｉｎｔｅｒｓｅｃｔｉｏｎ ｏｖｅｒ Ｕｎｉｏｎ）を用いて、測ることができる。
ピークの検出は、座標ｐのセルの信号電力値と、座標ｐの周辺に存在している８つのセルの信号電力値とを比較し、座標ｐのセルの信号電力値が、８つのセルの信号電力値の全てよりも大きければ、座標ｐのセルがピークｖハットであるとする。明細書の文章中では、電子出願の関係上、文字の上に“＾”の記号を付することができないため、ｖハットのように表記している。
不要波グラフ取得部３１は、検出したピークｖハットを最終的な推定Ｖピークハット＝｛ｖ_１ハット、ｖ_２ハット、・・・｝とする。

不要波グラフ取得部３１は、出力特徴マップＥ_ｊ ^Ｔから複数のエッジｅハットを求める。
出力特徴マップＥ_ｊ ^Ｔは、ベクトル場として表現されているため、不要波グラフ取得部３１は、以下の式（１４）に示すように、各セルにおけるベクトルの向きを考慮して、信号電力値に従って、それぞれのエッジｅハット＝｛ｖ_ｊ，ｖｐハット，ｖ_ｊ，ｖｑハット｝の接続強度Ｌ_ｅｉ｛ｖ_ｊ，ｖｐハット，ｖ_ｊ，ｖｑハット｝を算出する。

不要波グラフ取得部３１は、図２１に示すように、複数のエッジｅハットの接続強度Ｌ_ｅｉの中で、閾値λ以上の接続強度Ｌ_ｅｉに係るエッジｅハットを最終的な推定エッジＴハット＝｛ｅ_１ハット、ｅ_２ハット、・・・｝とする。閾値λは、不要波グラフ取得部３１の内部メモリに格納されていてもよいし、不要波検出装置の外部から与えられるものであってもよい。
図２１は、出力特徴マップＥ_ｊ ^Ｔからのエッジｅハットの推定を示す説明図である。
出力特徴マップＮ_ｊ ^Ｔ及び出力特徴マップＥ_ｊ ^Ｔにおけるそれぞれのｊは、推定対象を示しているため、図２２に示すように、出力特徴マップＮ_ｊ ^Ｔ及び出力特徴マップＥ_ｊ ^Ｔのそれぞれから、不要波領域の不要波グラフを推定することができる。
図２２は、不要波グラフの推定例を示す説明図である。

不要波領域探索部３３は、不要波グラフ取得部３１により取得された種別毎の不要波グラフから、不要波領域を探索する（図１８のステップＳＴ１２）。
即ち、不要波領域探索部３３は、それぞれの種別の不要波グラフにおける推定エッジＴハットからの距離Ｌが閾値Ｔｈ_Ｌ以内の領域を不要波領域として探索する。閾値Ｔｈ_Ｌは、不要波領域探索部３３の内部メモリに格納されていてもよいし、不要波検出装置の外部から与えられるものであってもよい。
ここでは、不要波領域探索部３３が、不要波グラフにおける推定エッジＴハットからの距離Ｌが閾値Ｔｈ_Ｌ以内の領域を不要波領域として探索している。しかし、これは一例に過ぎず、不要波領域探索部３３が、それぞれの種別の不要波グラフに対するグラフカットを実施することによって得られる領域を不要波領域として探索するようにしてもよい。
グラフカットは、予め大まかに指定した前景領域と背景領域とを基準として、前景領域と背景領域との境界を求めるための最小切断問題を解くアルゴリズムである。不要波領域探索部３３は、不要波グラフを前景領域に設定し、前景領域と適切な距離以上離れた領域を背景領域に設定した上で、グラフカットを適用している。
不要波領域探索部３３は、探索した不要波領域に対して、ＣＦＡＲを実施することによって、不要波を抑圧する。

以上の実施の形態１では、レーダの観測結果を示す電波画像から誤検出された１つ以上の不要波を連結することによって、不要波が連結されている不要波グラフを生成し、不要波グラフを教師データとして出力する不要波グラフ生成部１と、電波画像と、不要波グラフ生成部１から出力された教師データとを用いて、不要波グラフを学習し、電波画像が与えられると、不要波グラフを出力する学習モデルを生成する学習モデル生成部２とを備えるように、不要波学習装置を構成した。したがって、不要波学習装置は、細かく分割された外接矩形を示す教師データを用意することなく、不要波が連結されている不要波グラフを出力することが可能な学習モデルを生成することができる。

なお、本開示は、実施の形態の任意の構成要素の変形、もしくは実施の形態の任意の構成要素の省略が可能である。

本開示は、学習モデルを生成する不要波学習装置及び不要波学習方法に適している。
本開示は、不要波が存在している領域を探索する不要波検出装置及び不要波検出方法に適している。

１ 不要波グラフ生成部、２ 学習モデル生成部、１１ 不要波グラフ生成回路、１２ 学習モデル生成回路、２１ メモリ、２２ プロセッサ、３１ 不要波グラフ取得部、３２ 学習モデル、３３ 不要波領域探索部、４１ 不要波グラフ取得回路、４２ 不要波領域探索回路、５１ メモリ、５２ プロセッサ。

Claims (12)

1. レーダの観測結果を示す電波画像から得られる２次元のレンジドップラマップにおいて誤検出された１つ以上の不要波を連結することによって、不要波が連結されている不要波グラフを生成し、前記不要波グラフを教師データとして出力する不要波グラフ生成部と、
   前記電波画像と、前記不要波グラフ生成部から出力された教師データとを用いて、不要波グラフを学習し、電波画像が与えられると、不要波グラフを出力する学習モデルを生成する学習モデル生成部と、を備える、
   不要波学習装置。
2. 前記不要波グラフ生成部は、前記不要波グラフとして、最小全域木を生成する、
   請求項１記載の不要波学習装置。
3. 前記学習モデル生成部は、前記教師データから不要波の分布を示す正解特徴マップを生成し、前記電波画像と、前記正解特徴マップとを用いて、前記不要波グラフを学習する、
   請求項１記載の不要波学習装置。
4. 前記学習モデル生成部は、前記教師データに含まれている不要波の種別毎に、不要波の分布を示す正解特徴マップを生成し、前記電波画像と、それぞれの種別の正解特徴マップとを用いて、不要波の種別毎に前記不要波グラフを学習する、
   請求項１記載の不要波学習装置。
5. 前記学習モデル生成部は、前記不要波グラフのノードを混合ガウス分布、前記不要波グラフのエッジをベクトル場として、不要波の種別毎に前記正解特徴マップを生成する、
   請求項４記載の不要波学習装置。
6. 不要波グラフ生成部が、レーダの観測結果を示す電波画像から得られる２次元のレンジドップラマップにおいて誤検出された１つ以上の不要波を連結することによって、不要波が連結されている不要波グラフを生成し、前記不要波グラフを教師データとして出力し、
   学習モデル生成部が、前記電波画像と、前記不要波グラフ生成部から出力された教師データとを用いて、不要波グラフを学習し、電波画像が与えられると、不要波グラフを出力する学習モデルを生成する、
   不要波学習方法。
7. 請求項１から請求項５のうちのいずれか１項記載の不要波学習装置の前記学習モデル生成部により生成された学習モデルを有しており、電波画像を前記学習モデルに与えることによって、前記学習モデルから不要波グラフを取得する不要波グラフ取得部と、
   前記不要波グラフ取得部により取得された不要波グラフから、前記学習モデルに与えられた電波画像に含まれている不要波が存在している領域である不要波領域を探索する不要波領域探索部と、を備える、
   不要波検出装置。
8. 前記不要波グラフ取得部は、前記学習モデルから、不要波の分布を示す特徴マップを取得し、前記特徴マップから不要波グラフを生成する、
   請求項７記載の不要波検出装置。
9. 前記不要波グラフ取得部は、前記特徴マップのピークを検出することによって、前記特徴マップにおける複数のノードをそれぞれ推定し、前記複数のノードの間を結ぶエッジを推定し、前記推定したノードと前記推定したエッジとから、前記不要波グラフを生成する、
   請求項８記載の不要波検出装置。
10. 前記不要波領域探索部は、前記不要波グラフ取得部により取得された不要波グラフにおける前記推定したエッジからの距離が閾値以内の領域を前記不要波領域として探索する、
    請求項９記載の不要波検出装置。
11. 前記不要波領域探索部は、前記不要波グラフ取得部により取得された不要波グラフに対するグラフカットを実施することによって得られる領域を前記不要波領域として探索する、
    請求項７記載の不要波検出装置。
12. 不要波グラフ取得部が、請求項１から請求項５のうちのいずれか１項記載の不要波学習装置の前記学習モデル生成部により生成された学習モデルに対して、電波画像を与えることによって、前記学習モデルから不要波グラフを取得し、
    不要波領域探索部が、前記不要波グラフ取得部により取得された不要波グラフから、前記学習モデルに与えられた電波画像に含まれている不要波が存在している領域である不要波領域を探索する、
    不要波検出方法。

Images