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
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 Download PDFInfo
- Publication number
- JP7130169B2 JP7130169B2 JP2022518435A JP2022518435A JP7130169B2 JP 7130169 B2 JP7130169 B2 JP 7130169B2 JP 2022518435 A JP2022518435 A JP 2022518435A JP 2022518435 A JP2022518435 A JP 2022518435A JP 7130169 B2 JP7130169 B2 JP 7130169B2
- Authority
- JP
- Japan
- Prior art keywords
- wave
- unwanted
- graph
- unnecessary
- learning model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/02—Systems using reflection of radio waves, e.g. primary radar systems; Analogous systems
- G01S13/50—Systems of measurement based on relative movement of target
- G01S13/58—Velocity or trajectory determination systems; Sense-of-movement determination systems
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/28—Details of pulse systems
- G01S7/285—Receivers
- G01S7/32—Shaping echo pulse signals; Deriving non-pulse signals from echo pulse signals
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar Systems Or Details Thereof (AREA)
Description
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。
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。
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。
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、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、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。
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。
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。
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。
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、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、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。
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。
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。
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。
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。
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={v1,v2,・・・}とエッジE={e1,e2,・・・}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。
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。
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。
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、weは、エッジeの重みである。
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we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we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。
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、vi,vj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we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weが小さいエッジeを優先して選択するため、重みwe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。
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。
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φt(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Ψt(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φt(X)から、後述する損失値fN t=1を算出し、エッジネットワークΨt(X)から、後述する損失値fE 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φt(X)とエッジネットワークΨt(X)とを結合し、ノードネットワークφt(X)とエッジネットワークΨt(X)との結合結果である特徴マップから、損失値fN t及び損失値fE tのそれぞれを算出するステージである。
fE 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。
Nj tは、以下の式(6)に示すように、ノードネットワークφt(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。
Ej tは、以下の式(7)に示すように、エッジネットワークΨt(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。
Nj *,Ej *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。
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。
即ち、シークラッタの予測用の特徴マップは、Nj=1 t及びEj=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、Nj=2 t及びEj=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、Nj=3 t及びEj=5,6 tである。
Ej 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。
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。
式(8)において、Nj,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。
学習モデル生成部2は、図15に示すように、vj,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vj,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Nj,k *である。
図15は、正解特徴マップの生成規則Nj,k *を示す説明図である。
式(11)において、Ej,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v1とノードv2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、nj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Ej,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Ej,k *を示す説明図である。
“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。
学習モデル生成部2は、正解特徴マップNj *,Ej *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φt(X)の正解特徴マップNj *及びエッジネットワークΨt(X)の正解特徴マップEj *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。
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φt(X)における出力特徴マップNj 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Nj 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Ψt(X)における出力特徴マップEj 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Ej 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。
出力特徴マップNj 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Nj 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={v1ハット、v2ハット、・・・}とする。
出力特徴マップEj 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={vj,vpハット,vj,vqハット}の接続強度Lei{vj,vpハット,vj,vqハット}を算出する。
図21は、出力特徴マップEj 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Nj T及び出力特徴マップEj 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Nj T及び出力特徴マップEj 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。
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ThL以内の領域を不要波領域として探索する。閾値ThL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ThL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。
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。
Claims (12)
- 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/JP2020/017948 WO2021220337A1 (ja) | 2020-04-27 | 2020-04-27 | 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 |
Publications (3)
Publication Number | Publication Date |
---|---|
JPWO2021220337A1 JPWO2021220337A1 (ja) | 2021-11-04 |
JPWO2021220337A5 JPWO2021220337A5 (ja) | 2022-06-16 |
JP7130169B2 true JP7130169B2 (ja) | 2022-09-02 |
Family
ID=78373415
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2022518435A Active JP7130169B2 (ja) | 2020-04-27 | 2020-04-27 | 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 |
Country Status (2)
Country | Link |
---|---|
JP (1) | JP7130169B2 (ja) |
WO (1) | WO2021220337A1 (ja) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2019086464A (ja) | 2017-11-09 | 2019-06-06 | 株式会社東芝 | レーダ装置及びそのレーダ信号処理方法 |
US20190331784A1 (en) | 2018-04-25 | 2019-10-31 | Qualcomm Incorporated | Association aware radar beamforming |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE19649563A1 (de) * | 1996-11-29 | 1998-06-04 | Alsthom Cge Alcatel | Vorrichtung und Verfahren zur automatischen Klassifikation von Objekten |
JP3499727B2 (ja) * | 1997-09-24 | 2004-02-23 | 株式会社東芝 | スケール抽出型レーダイメージ解析装置 |
US9292792B1 (en) * | 2012-09-27 | 2016-03-22 | Lockheed Martin Corporation | Classification systems and methods using convex hulls |
-
2020
- 2020-04-27 JP JP2022518435A patent/JP7130169B2/ja active Active
- 2020-04-27 WO PCT/JP2020/017948 patent/WO2021220337A1/ja active Application Filing
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2019086464A (ja) | 2017-11-09 | 2019-06-06 | 株式会社東芝 | レーダ装置及びそのレーダ信号処理方法 |
US20190331784A1 (en) | 2018-04-25 | 2019-10-31 | Qualcomm Incorporated | Association aware radar beamforming |
Also Published As
Publication number | Publication date |
---|---|
JPWO2021220337A1 (ja) | 2021-11-04 |
WO2021220337A1 (ja) | 2021-11-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102210715B1 (ko) | 도로 중의 차도선을 확정하기 위한 방법, 장치 및 기기 | |
Yuan et al. | Particle filter re-detection for visual tracking via correlation filters | |
Lee et al. | SLAM with single cluster PHD filters | |
Drews et al. | Novelty detection and 3d shape retrieval using superquadrics and multi-scale sampling for autonomous mobile robots | |
US11486966B2 (en) | Method and apparatus for tracking target from radar signal using artificial intelligence | |
CN112395987A (zh) | 基于无监督域适应cnn的sar图像目标检测方法 | |
KR102319145B1 (ko) | 고해상도 해양 데이터를 생성하기 위한 방법 및 이를 이용한 장치 | |
JP2020098587A (ja) | ワッサースタイン距離を使用する物体形状回帰 | |
KR101745995B1 (ko) | 고주파 레이더를 이용한 이동 물체 검출 장치 및 방법 | |
KR101708042B1 (ko) | 포인트 클라우드를 이용한 ransac 알고리즘 기반의 실린더 추정 장치 및 방법 | |
CN115424233A (zh) | 基于信息融合的目标检测方法以及目标检测装置 | |
Song et al. | Segmentation of sonar images with intensity inhomogeneity based on improved MRF | |
JP2020507767A (ja) | 車両レーダシステム用の逆合成開口レーダ | |
JP7130169B2 (ja) | 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 | |
CN112329677B (zh) | 基于特征融合的遥感图像河道目标检测方法和装置 | |
Prokopenko | Statistical synthesis of robust signal detection algorithms under conditions of aprioristic uncertainty | |
US9916663B2 (en) | Image processing method and process simulation apparatus | |
Khrissi et al. | A performant clustering approach based on an improved sine cosine algorithm | |
Kim et al. | Semantic segmentation of marine radar images using convolutional neural networks | |
JP5791381B2 (ja) | 目標追尾装置 | |
Zhou et al. | SAR open set recognition based on counterfactual framework | |
CN111123267B (zh) | 合成孔径雷达图像舰船检测方法及装置 | |
Lang et al. | A synthetic aperture radar sea surface distribution estimation by n-order Bézier curve and its application in ship detection | |
JP6266882B2 (ja) | 追尾支援装置 | |
KR20220026402A (ko) | 이미지의 객체 감지 및 분류 방법 및 시스템 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220425 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220425 |
|
A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20220425 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20220614 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220627 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20220726 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20220823 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7130169 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |