WO2021220337A1 - 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
- WO2021220337A1 WO2021220337A1 PCT/JP2020/017948 JP2020017948W WO2021220337A1 WO 2021220337 A1 WO2021220337 A1 WO 2021220337A1 JP 2020017948 W JP2020017948 W JP 2020017948W WO 2021220337 A1 WO2021220337 A1 WO 2021220337A1
- Authority
- WO
- WIPO (PCT)
- Prior art keywords
- wave
- unnecessary
- graph
- unnecessary wave
- unwanted
- Prior art date
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
Definitions
- the present disclosure relates to an unnecessary wave learning device and an unnecessary wave learning method for generating a learning model, and an unnecessary wave detection device and an unnecessary wave detection method for searching a region where an unnecessary wave exists.
- the radio wave image showing the observation result of the radar may show unnecessary waves such as a sea clutter or an ionospheric clutter.
- the conventional target detection device that detects a target from a radio wave image in order to improve the target detection performance, it is possible to suppress unnecessary waves reflected in the radio wave image before performing the process of detecting the target from the radio wave image. be.
- a constant false alarm probability processing (CFAR: Constant False Alarm Rate) is known.
- Non-Patent Document 1 it is not necessary to detect the circumscribing rectangle of the unwanted wave region, which is the region where the unwanted wave included in the radio wave image exists, by using a convolutional neural network (CNN).
- CNN convolutional neural network
- the CNN learns the circumscribing rectangle of the unnecessary wave region in advance by using the radio wave image and the teacher data indicating the circumscribing rectangle of the unnecessary wave region. Is output. If the conventional target detection device performs CFAR on the detected circumscribed rectangle in the unwanted wave region, the unwanted wave contained in the circumscribed rectangle can be suppressed.
- the target signal may be included in the circumscribed rectangle of the unwanted wave region detected by the unwanted wave detecting method disclosed in Non-Patent Document 1.
- the conventional target detection device performs CFAR on the circumscribed rectangle containing the target signal, the target signal is suppressed together with the unnecessary wave, so that the target may not be detected.
- teacher data showing the circumscribed rectangle divided as finely as possible is prepared, and the CNN disclosed in Non-Patent Document 1 is disclosed.
- teacher data showing the circumscribed rectangle divided as finely as possible is prepared, and the CNN disclosed in Non-Patent Document 1 is disclosed.
- it is necessary to learn the circumscribed rectangle of the unnecessary wave region using the teacher data It can be difficult to provide teacher data showing finely divided circumscribed rectangles.
- This disclosure is made to solve the above-mentioned problems, and it is possible to output an unnecessary wave graph in which unnecessary waves are connected without preparing teacher data showing finely divided circumscribing rectangles. It is an object of the present invention to obtain an unnecessary wave learning device and an unnecessary wave learning method capable of generating a possible learning model.
- the unnecessary wave learning device generates an unnecessary wave graph in which unnecessary waves are connected by connecting one or more unnecessary waves erroneously detected from a radio wave image showing an observation result of a radar, and is unnecessary.
- the unnecessary wave graph is learned by using the unnecessary wave graph generator that outputs the wave graph as teacher data, the radio wave image, and the teacher data output from the unnecessary wave graph generator, and when the radio wave image is given, it is unnecessary. It is provided with a learning model generation unit that generates a learning model that outputs a wave graph.
- FIG. It is a block diagram which shows the unnecessary wave learning apparatus which concerns on Embodiment 1.
- FIG. It is a hardware block diagram which shows the hardware of the unnecessary wave learning apparatus which concerns on Embodiment 1.
- FIG. It is a hardware block diagram of the computer when the unnecessary wave learning apparatus is realized by software, firmware, etc. It is a block diagram which shows the unnecessary wave detection apparatus which concerns on Embodiment 1.
- FIG. It is a hardware block diagram which shows the hardware of the unnecessary wave detection apparatus which concerns on Embodiment 1.
- FIG. It is a hardware block diagram of the computer when the unnecessary wave detection device is realized by software, firmware, etc. It is explanatory drawing which shows each function in the unnecessary wave learning apparatus shown in FIG. 1 and the unwanted wave detection apparatus shown in FIG.
- FIG. It is a flowchart which shows the unnecessary wave learning method which is the processing procedure of the unnecessary wave learning apparatus which concerns on Embodiment 1.
- FIG. It is explanatory drawing which shows the example of the unnecessary wave graph which does not satisfy the edge generation rule. It is explanatory drawing which shows an example of the minimum spanning tree. It is explanatory drawing which shows the problem of edge selection which occurs at the time of generation of the minimum spanning tree. It is explanatory drawing which shows the method of selecting an edge at the time of generating the minimum spanning tree in consideration of the power value of an unwanted wave.
- FIG. 1 is a configuration diagram showing an unnecessary wave learning device according to the first embodiment.
- FIG. 2 is a hardware configuration diagram showing the hardware of the unnecessary wave learning device according to the first embodiment.
- the unnecessary wave learning device shown in FIG. 1 includes an unnecessary wave graph generation unit 1 and a learning model generation unit 2.
- the unnecessary wave graph generation unit 1 is realized by, for example, the unnecessary wave graph generation circuit 11 shown in FIG.
- the unnecessary wave graph generation unit 1 generates an unnecessary wave graph in which unnecessary waves are connected by connecting one or more unnecessary waves erroneously detected from a radio wave image showing an observation result of a radar.
- the unnecessary wave graph generation unit 1 outputs the unnecessary wave graph as teacher data to the learning model generation unit 2.
- the learning model generation unit 2 is realized by, for example, the learning model generation circuit 12 shown in FIG.
- the learning model generation unit 2 learns the unnecessary wave graph using the radio wave image and the teacher data output from the unnecessary wave graph generation unit 1, and when the radio wave image is given, the learning model outputs the unnecessary wave graph. To generate.
- the learning model is realized by, for example, CNN.
- the learning model generated by the learning model generation unit 2 is implemented as a learning model 32 in the unnecessary wave graph acquisition unit 31 of the unnecessary wave detection device shown in FIG.
- each of the unnecessary wave graph generation unit 1 and the learning model generation unit 2 which are the components of the unnecessary wave learning device, is realized by the dedicated hardware as shown in FIG. That is, it is assumed that the unnecessary wave learning device is realized by the unnecessary wave graph generation circuit 11 and the learning model generation circuit 12.
- Each of the unnecessary wave graph generation circuit 11 and the learning model generation circuit 12 includes, for example, a single circuit, a composite circuit, a programmed processor, a parallel programmed processor, an ASIC (Application Specific Integrated Circuit), and an FPGA (Field-Programmable Gate). Array) or a combination of these is applicable.
- the components of the unwanted wave learning device are not limited to those realized by dedicated hardware, but the unwanted wave learning device is realized by software, firmware, or a combination of software and firmware. It is also good.
- the software or firmware is stored as a program in the memory of the computer.
- a computer means hardware that executes a program, and corresponds to, for example, a CPU (Central Processing Unit), a central processing unit, a processing unit, an arithmetic unit, a microprocessor, a microcomputer, a processor, or a DSP (Digital Signal Processor). do.
- FIG. 3 is a hardware configuration diagram of a computer when the unnecessary wave learning device is realized by software, firmware, or the like.
- a program for causing a computer to execute each processing procedure in the unnecessary wave graph generation unit 1 and the learning model generation unit 2 is stored in the memory 21.
- the processor 22 of the computer executes the program stored in the memory 21.
- FIG. 2 shows an example in which each of the components of the unnecessary wave learning device is realized by dedicated hardware
- FIG. 3 shows an example in which the unnecessary wave learning device is realized by software, firmware, or the like. ..
- this is only an example, and some components in the unnecessary wave learning device may be realized by dedicated hardware, and the remaining components may be realized by software, firmware, or the like.
- FIG. 4 is a configuration diagram showing an unnecessary wave detection device according to the first embodiment.
- FIG. 5 is a hardware configuration diagram showing the hardware of the unwanted wave detection device according to the first embodiment.
- the unnecessary wave detection device shown in FIG. 4 includes an unnecessary wave graph acquisition unit 31 and an unnecessary wave region search unit 33.
- the unnecessary wave graph acquisition unit 31 is realized by, for example, the unnecessary wave graph acquisition circuit 41 shown in FIG.
- the unnecessary wave graph acquisition unit 31 has a learning model 32 generated by the learning model generation unit 2 of the unnecessary wave learning device shown in FIG.
- the unnecessary wave graph acquisition unit 31 acquires an unnecessary wave graph from the learning model 32 by giving a radio wave image to the learning model 32.
- the unnecessary wave graph acquisition unit 31 outputs the acquired unnecessary wave graph to the unnecessary wave region search unit 33.
- the unnecessary wave region search unit 33 is realized by, for example, the unnecessary wave region search circuit 42 shown in FIG.
- the unnecessary wave area search unit 33 is an unnecessary wave area in which the unnecessary wave included in the radio wave image given to the learning model 32 exists from the unnecessary wave graph acquired by the unnecessary wave graph acquisition unit 31. To explore.
- each of the unnecessary wave graph acquisition unit 31 and the unnecessary wave area search unit 33 which are the components of the unnecessary wave detection device, is realized by the dedicated hardware as shown in FIG. .. That is, it is assumed that the unnecessary wave detection device is realized by the unnecessary wave graph acquisition circuit 41 and the unnecessary wave region search circuit 42.
- Each of the unnecessary wave graph acquisition circuit 41 and the unnecessary wave region search circuit 42 corresponds to, for example, a single circuit, a composite circuit, a programmed processor, a parallel programmed processor, an ASIC, an FPGA, or a combination thereof. do.
- FIG. 6 is a hardware configuration diagram of a computer when the unwanted wave detection device is realized by software, firmware, or the like.
- a program for causing a computer to execute each processing procedure in the unnecessary wave graph acquisition unit 31 and the unnecessary wave area search unit 33 is stored in the memory 51.
- the processor 52 of the computer executes the program stored in the memory 51.
- FIG. 5 shows an example in which each of the components of the unnecessary wave detection device is realized by dedicated hardware
- FIG. 6 shows an example in which the unnecessary wave detection device is realized by software, firmware, or the like. ..
- this is only an example, and some components in the unwanted wave detection device may be realized by dedicated hardware, and the remaining components may be realized by software, firmware, or the like.
- FIG. 7 is an explanatory diagram showing the respective functions of the unnecessary wave learning device shown in FIG. 1 and the unnecessary wave detecting device shown in FIG.
- FIG. 8 is a flowchart showing an unnecessary wave learning method which is a processing procedure of the unnecessary wave learning device according to the first embodiment.
- the unnecessary wave graph generation unit 1 generates an unnecessary wave graph in which the unnecessary waves are connected by connecting one or more unnecessary waves erroneously detected from the radio wave image showing the observation result of the radar (FIG. Step 8 ST1).
- the unnecessary wave graph generation unit 1 outputs the unnecessary wave graph as teacher data to the learning model generation unit 2.
- An unwanted wave graph is a network structure in graph theory that includes a set of nodes and a set of edges. Nodes are the nodes of the graph or the vertices of the graph and are called unwanted wave plots.
- An edge is a branch of a graph or an edge of a graph that connects a node to another.
- the unnecessary wave graph generation process by the unnecessary wave graph generation unit 1 will be specifically described.
- Node V is an unwanted wave plot erroneously detected by performing CFAR on a range Doppler map (hereinafter referred to as "RD (Ranger-Doppler) map").
- the RD map is a two-dimensional map obtained from a radio wave image.
- plot information the information related to the unwanted wave plot is referred to as plot information.
- the edge E indicates the connection relationship between a certain unwanted wave plot and a certain unwanted wave plot.
- the unnecessary wave graph G (V, E) that can be used for learning CNN needs to have regularity so that the answer can be uniquely determined.
- the unnecessary wave graph generation unit 1 prepares the following assumptions (1), assumptions (2), and assumptions (3) as edge generation rules of the unnecessary wave graph G (V, E).
- FIG. 9 is an explanatory diagram showing an example of an unnecessary wave graph that does not satisfy the edge generation rule.
- Assumption (1) is that there is a way to connect between the nodes that are any two unwanted wave plots, and that all the nodes are connected from the starting node to the ending node. It is a production rule.
- a road means that there is an edge between the two nodes.
- the example on the left side of FIG. 9 shows an unwanted wave graph that does not satisfy assumption (1).
- An unnecessary wave graph in which there is no path between a certain node cannot be used as teacher data because one unnecessary wave graph is divided into a plurality of parts.
- Assumption (2) is a generation rule that there are no extra edges that would be a cycle.
- a cycle means that there is a loop starting from a certain node, passing through two or more other nodes, and returning to the starting node.
- the example in the middle of FIG. 9 shows an unwanted wave graph that does not satisfy assumption (2).
- An unnecessary wave graph having a cycle cannot be used as teacher data because the number of combinations connecting the nodes becomes enormous unless the order of the nodes is restricted.
- the order is the number of edges that a node has.
- Assumption (3) is a production rule that the sum of the edge lengths is the minimum.
- the degree of relevance between the nodes is higher when the nodes having a short distance from each other are connected than when the nodes having a long distance from each other are connected to each other.
- the unwanted wave graph shown on the right side of FIG. 9 does not satisfy the assumption (3) because the sum of the edge lengths is large and the sum is not the minimum.
- the unnecessary wave graph generation unit 1 generates a minimum spanning tree as an unnecessary wave graph that satisfies each of assumptions (1), assumptions (2), and assumptions (3).
- the minimum spanning tree is a graph in which all nodes are connected and does not have a cycle.
- the minimum spanning tree is a graph in which the sum of edge weights is minimized.
- the minimum spanning tree is composed of a weighted edge set T and is expressed by the following equation (1). In the formula (1), w e is the weight of the edge e.
- FIG. 10 is an explanatory diagram showing an example of the minimum spanning tree.
- the unwanted wave graph composed of the edges represented by thick lines is the minimum spanning tree.
- a typical optimization algorithm for finding the minimum spanning tree from an arbitrary set of nodes includes the Kruskal method, the Prim method, and the Borvka method.
- Weight w e edge e can be treated as the distance between nodes edge e is connected.
- FIG. 11 is an explanatory diagram showing a problem of edge selection that occurs when a minimum spanning tree is generated. In FIG. 11, each of (1) to (3) shows an edge option.
- FIG. 11 is an explanatory diagram showing a problem of edge selection that occurs when a minimum spanning tree is generated. In FIG. 11, each of (1) to (3) shows an edge option.
- FIG. 11 is an explanatory diagram showing a problem of edge selection that occurs when a minimum spanning tree is generated. In FIG. 11, each of (1) to (3) shows an edge option.
- FIG. 11 is an explanatory diagram showing a problem of edge selection
- the horizontal axis represents Doppler and the vertical axis represents range.
- the horizontal axis represents Doppler and the vertical axis represents range.
- Unnecessary wave graph generation unit 1 is, for example, the weight w e edges e that connects the node v i and node v j, is calculated from the following formula (2).
- Z (p) is the signal power value of the two-dimensional coordinates p in the RD map
- v i, v j represents the coordinate of the node.
- u is a parameter when the position between the nodes to which the edge e is connected is represented by 0 to 1 as shown in FIG.
- FIG. 12 is an explanatory diagram showing a method of selecting an edge when generating a minimum spanning tree in consideration of the power value of an unwanted wave.
- the weight w e is a value obtained by multiplying the minus line integral value of the signal power value of the edge e.
- the edge e is chosen according to the smallest choice weight w e is (2).
- the unnecessary wave graph generation unit 1 outputs the generated minimum spanning tree G (V, T) as a correct unnecessary wave graph to the learning model generation unit 2 as teacher data.
- the learning model generation unit 2 learns the unnecessary wave graph by using the radio wave image and the teacher data output from the unnecessary wave graph generation unit 1, and when the radio wave image is given, the learning model outputs the unnecessary wave graph. Is generated (step ST2 in FIG. 8).
- the learning model generation process by the learning model generation unit 2 will be specifically described.
- the learning model generation unit 2 constructs a CNN that learns an unnecessary wave graph in order to realize the learning model by CNN.
- FIG. 13 is a conceptual diagram showing the architecture of CNN.
- the CNN is composed of two branches.
- One branch is a node network ⁇ t (X) that estimates the node positions and node types in the unwanted wave graph given the RD map X.
- the RD map X is a two-dimensional map obtained from a radio wave image.
- the other branch is an edge network ⁇ t (X) that estimates the edge position and edge type of the unwanted wave graph given the RD map X.
- R is the number of cells in the range direction in the RD map X
- V is the number of cells in the Doppler direction in the RD map X.
- t ⁇ 1, 2, ..., T ⁇ , where t represents the stage number.
- the node network ⁇ t (X) and the edge network ⁇ t (X) are combined, and the node network ⁇ t (X) and the edge network are combined. from the feature map is a bond results between ⁇ t (X), a stage for calculating the respective loss value f N t and loss values f E t.
- the learning model generation unit 2 learns each of the node network ⁇ t (X) and the edge network ⁇ t (X) so that the loss function f shown in the following equation (3) is minimized.
- f N t is a loss value for the CNN estimation result corresponding to each of the node position and the node type in the unnecessary wave graph G (V, T) at the stage t of the CNN.
- f E t, in stage t of CNN is the loss value for the estimation result of the CNN corresponding to respective positions and the edge of the types of edges in the unnecessary wave graph G (V, T).
- N j t, as shown in the following equation (6) is any one output characteristic map of the plurality of output characteristic map in a node network phi t (X).
- E j t as shown in the following equation (7) is any one output characteristic map of the plurality of output characteristic map in the edge network [psi t (X). p represents the position coordinates of the output feature map.
- N j * and E j * is a correct answer feature map, and is generated from an unnecessary wave graph of the correct answer, which is teacher data.
- J is the number of output characteristics map node network phi t (X) shown in FIG. 14, is set based on the type number or the like to be estimated.
- FIG. 14 is an explanatory diagram showing a method of designing a correct answer feature map as teacher data given at the time of learning CNN. If the type of estimation target is a sea clutter, the sea clutter is distributed in the range direction near the Doppler axis 0 [m / s] of the RD map. If the type of estimation target is the ionospheric clutter, the ionospheric clutter is distributed in the Doppler direction at a distance of about 150 [km] or more of the range axis of the RD map.
- each of the sea clutter and the ionospheric clutter can be estimated by referring to the three regions as shown in FIG. That is, the sea clutter can be estimated by referring to the region (1).
- the ionospheric clutter existing on the positive side of the Doppler shaft can be estimated by referring to the region (2), and the ionospheric clutter existing on the negative side of the Doppler shaft can be estimated by referring to the region (3).
- the edge of the unnecessary wave graph which is the teacher data, is generated as the minimum spanning tree by the unnecessary wave graph generation unit 1, and the position of the node of the minimum spanning tree depends on the setting of the hyperparameters of CFAR. Therefore, there is a problem that the position of the node has a large variance and the correct answer cannot be uniquely determined.
- the learning model generation unit 2 expresses the unnecessary wave graph as two feature maps in order to deal with the above problem. That is, the learning model generation unit 2 represents the nodes of the unnecessary wave graph with a feature map based on a two-dimensional Gaussian distribution, and represents each point on the edge of the unnecessary wave graph with a feature map based on a two-dimensional vector.
- the correct feature map Nj * is expressed by the following equation (8).
- N j and k * are correct heat maps of the kth unnecessary wave in the estimation target j, and are expressed by the following equation (9).
- the estimation target j is a sea clutter, an ionospheric clutter existing on the positive side of the Doppler shaft, or an ionospheric clutter existing on the negative side of the Doppler shaft.
- v j, k, v are the coordinates of the correct node v for the kth unnecessary wave in the estimation target j.
- the learning model generation unit 2 generates a Gaussian distribution in which v j, k, and v are the vertices of the distribution. Then, the learning model generation unit 2 generates a two-dimensional mixed Gaussian distribution by superimposing all v j, k, and v.
- the two-dimensional mixed Gaussian distribution is a correct feature map Nj, k * for the kth unnecessary wave in the estimation target j.
- FIG. 15 is an explanatory diagram showing the generation rules Nj, k * of the correct answer feature map.
- the correct feature map Ej * is expressed by the following equation (11).
- E j, k, e * are correct vector fields for the edge e of the kth unnecessary wave in the estimation target j.
- e is an edge between the node v 1 and node v 2.
- a vector field is generated by the signal power value z on the edge e in the RD map.
- FIG. 16 is an explanatory diagram showing the generation rules Ej, k * of the correct answer feature map.
- FIG. 17 is an explanatory diagram showing an example of generating the correct answer feature maps Nj * and Ej *.
- the learning model generation unit 2 generates a learning model in which the unnecessary wave graph is learned by learning the unnecessary wave graph using the correct answer feature maps Nj * and Ej *.
- the learning model has learned parameters optimized by learning each of the correct feature map Nj * of the node network ⁇ t (X) and the correct feature map E j * of the edge network ⁇ t (X). ing.
- the learning model generated by the learning model generation unit 2 is implemented as a learning model 32 in the unnecessary wave graph acquisition unit 31 of the unnecessary wave detection device shown in FIG.
- FIG. 18 is a flowchart showing an unnecessary wave detection method which is a processing procedure of the unnecessary wave detection device according to the first embodiment.
- FIG. 19 is an explanatory diagram showing the processing content of the unwanted wave detection device according to the first embodiment.
- the unnecessary wave graph acquisition unit 31 has a learning model 32 generated by the learning model generation unit 2 of the unnecessary wave learning device shown in FIG.
- the unnecessary wave graph acquisition unit 31 acquires an unnecessary wave graph from the learning model 32 by giving a radio wave image to the learning model 32 (step ST11 in FIG. 18).
- the unnecessary wave graph acquisition unit 31 outputs the acquired unnecessary wave graph to the unnecessary wave region search unit 33.
- the unnecessary wave graph acquisition unit 31 estimates the unnecessary wave graph of each unnecessary wave region in the RD map by giving the RD map obtained from the radio wave image to the learning model 32.
- Node network phi t (X) output feature map N j T in, because they are represented as a heat map, coordinates of a specific node is not determined to a point.
- Output feature map N j T is the output characteristic map in the final stage of the CNN. Since the unnecessary wave graph cannot be estimated unless the coordinates of the specific node are determined at one point, the unnecessary wave graph acquisition unit 31 needs to estimate the specific node.
- Output feature map E j T in the edge network ⁇ t (X) is expressed as a vector field, no specific edge is determined.
- Output feature map E j T is an output characteristic map in the final stage of the CNN. If the specific edge is not fixed to one, the unnecessary wave graph cannot be estimated. Therefore, the unnecessary wave graph acquisition unit 31 needs to estimate the specific edge.
- Unnecessary wave graph acquiring unit 31 detects the peak of the output characteristic map N j T in estimation object j. As shown in the lower left graph in FIG. 20, it is assumed that the output feature map Nj T has a plurality of mixed Gaussian distributions with large overlap.
- Figure 20 is an explanatory view showing a peak detection output characteristic map N j T.
- NMS Non-Maximum Supression
- NMS is a known method used for object detection in optical images. That is, NMS is a method of deleting the other detection windows while leaving only one detection window when the plurality of detected detection windows overlap.
- the degree of overlap can be measured using IoU (Intersection over Union).
- IoU Intersection over Union
- the signal power value of the cell at the coordinate p is compared with the signal power value of the eight cells existing around the coordinate p, and the signal power value of the cell at the coordinate p is the signal power value of the eight cells. If it is larger than all of the signal power values, it is assumed that the cell at coordinate p is the peak v hat. In the text of the specification, the symbol " ⁇ " cannot be added above the characters due to the electronic application, so it is written like a v-hat.
- FIG. 21 is an explanatory diagram showing the estimation of the edge e-hat from the output feature map Ej T. Since each j in the output feature map Nj T and the output feature map Ej T indicates an estimation target, as shown in FIG. 22, from each of the output feature map N j T and the output feature map E j T. , The unwanted wave graph in the unwanted wave region can be estimated.
- FIG. 22 is an explanatory diagram showing an estimation example of an unnecessary wave graph.
- the unnecessary wave region search unit 33 searches for an unnecessary wave region from the unnecessary wave graph for each type acquired by the unnecessary wave graph acquisition unit 31 (step ST12 in FIG. 18). That is, the unnecessary wave region search unit 33 searches for a region in which the distance L from the estimated edge T hat in each type of unwanted wave graph is within the threshold Th L as an unnecessary wave region.
- the threshold value Th L may be stored in the internal memory of the unnecessary wave region search unit 33, or may be given from the outside of the unnecessary wave detection device.
- the unnecessary wave region search unit 33 searches the region where the distance L from the estimated edge T hat in the unnecessary wave graph is within the threshold Th L as the unnecessary wave region.
- the unnecessary wave region search unit 33 may search the region obtained by performing graph cut for each type of unnecessary wave graph as the unnecessary wave region.
- Graph cut is an algorithm that solves the minimum cutting problem for finding the boundary between the foreground area and the background area with reference to the foreground area and the background area roughly specified in advance.
- the unwanted wave region search unit 33 sets the unwanted wave graph in the foreground region, sets a region separated from the foreground region by an appropriate distance or more as the background region, and then applies the graph cut.
- the unnecessary wave region search unit 33 suppresses unnecessary waves by performing CFAR on the searched unwanted wave region.
- an unnecessary wave graph in which the unnecessary waves are connected is generated, and the unnecessary wave graph is generated.
- the unnecessary wave graph is learned by using the unnecessary wave graph generation unit 1 that outputs the above as teacher data, the radio wave image, and the teacher data output from the unnecessary wave graph generation unit 1, and when the radio wave image is given, it is unnecessary.
- the unnecessary wave learning device is configured to include a learning model generation unit 2 that generates a learning model that outputs a wave graph. Therefore, the unnecessary wave learning device can generate a learning model capable of outputting an unnecessary wave graph in which unnecessary waves are connected without preparing teacher data showing finely divided circumscribed rectangles.
- the present disclosure is suitable for an unwanted wave learning device and an unwanted wave learning method for generating a learning model.
- the present disclosure is suitable for an unnecessary wave detection device and an unnecessary wave detection method for searching a region where an unnecessary wave exists.
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)
Abstract
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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={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。
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。
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。
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。
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、weは、エッジeの重みである。
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、we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。
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。
不要波グラフ生成部1は、例えば、ノードviとノードvjとを接続するエッジeの重みwe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、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。
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。
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。
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。
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。
fN
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。
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。
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。
Jは、図14に示すノードネットワークφt(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、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。
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。
正解特徴マップNj
*,Ej
*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。
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Nj
*は、以下の式(8)のように表される。
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。
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。
式(10)において、vj,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、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。
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。
正解特徴マップEj
*は、以下の式(11)のように表される。
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。
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。
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、ej,k,viは、ノードviと接続されているエッジeの方向の単位ベクトル、vj,k,viは、ノードvi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。
“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。
図17は、正解特徴マップNj
*,Ej
*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。
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。
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。
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。
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Nj
Tのピークを検出する。
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。
不要波グラフ取得部31は、出力特徴マップEj
Tから複数のエッジeハットを求める。
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。
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。
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Leiの中で、閾値λ以上の接続強度Leiに係るエッジeハットを最終的な推定エッジTハット={e1ハット、e2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。
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。
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。
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。
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。
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)
- 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、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
を備えた不要波学習装置。 - 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ことを特徴とする請求項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、不要波グラフを学習することを特徴とする請求項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、不要波の種別毎に不要波グラフを学習することを特徴とする請求項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ことを特徴とする請求項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
を備えた不要波検出装置。 - 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ことを特徴とする請求項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ことを特徴とする請求項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ことを特徴とする請求項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ことを特徴とする請求項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。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2022518435A 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 |
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 |
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 (1)
Publication Number | Publication Date |
---|---|
WO2021220337A1 true WO2021220337A1 (ja) | 2021-11-04 |
Family
ID=78373415
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
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 |
Country Status (2)
Country | Link |
---|---|
JP (1) | JP7130169B2 (ja) |
WO (1) | WO2021220337A1 (ja) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH10239427A (ja) * | 1996-11-29 | 1998-09-11 | Alcatel Alsthom Co General Electricite | 物体の自動分類装置および自動分類方法 |
US9292792B1 (en) * | 2012-09-27 | 2016-03-22 | Lockheed Martin Corporation | Classification systems and methods using convex hulls |
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 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
US11391831B2 (en) | 2018-04-25 | 2022-07-19 | Qualcomm Incorporated | Association aware radar beamforming |
-
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 (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH10239427A (ja) * | 1996-11-29 | 1998-09-11 | Alcatel Alsthom Co General Electricite | 物体の自動分類装置および自動分類方法 |
US9292792B1 (en) * | 2012-09-27 | 2016-03-22 | Lockheed Martin Corporation | Classification systems and methods using convex hulls |
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 |
Non-Patent Citations (1)
Title |
---|
ZHANG, L. ET AL.: "Deep learning-based automatic clutter/interference detection for HFSWR", REMOTE SENSING, vol. 10, no. 10, 21 September 2018 (2018-09-21), pages 1 - 12, XP055871791 * |
Also Published As
Publication number | Publication date |
---|---|
JP7130169B2 (ja) | 2022-09-02 |
JPWO2021220337A1 (ja) | 2021-11-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102210715B1 (ko) | 도로 중의 차도선을 확정하기 위한 방법, 장치 및 기기 | |
Li et al. | A novel multidimensional domain deep learning network for SAR ship detection | |
US20180025249A1 (en) | Object Detection System and Object Detection Method | |
WO2020003586A1 (ja) | データ生成装置、画像識別装置、データ生成方法及び記憶媒体 | |
KR101980354B1 (ko) | 극지해역의 해빙영역 탐지방법 및 이를 위한 탐지시스템 | |
Rosen et al. | Robust incremental online inference over sparse factor graphs: Beyond the Gaussian case | |
Lee et al. | SLAM with single cluster PHD filters | |
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 | |
US20230117498A1 (en) | Visual-inertial localisation in an existing map | |
Nuhoglu et al. | Image segmentation for radar signal deinterleaving using deep learning | |
WO2021220337A1 (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 | |
Yang et al. | Foreground enhancement network for object detection in sonar images | |
CN116597313B (zh) | 一种基于改进YOLOv7的舰船光学图像尾迹检测方法 | |
CN112862748A (zh) | 一种多维域特征联合sar船舰智能检测方法 | |
KR102427861B1 (ko) | 수중 영상 데이터를 생성하는 장치 및 방법 | |
Feng et al. | Meta-learning based infrared ship object detection model for generalization to unknown domains | |
KR102497640B1 (ko) | 이미지의 객체 감지 및 분류 방법 및 시스템 | |
Lei et al. | Multi-feature fusion sonar image target detection evaluation based on particle swarm optimization algorithm | |
Chadha et al. | Satellite imagery-based Airbus ship localization and detection using deep learning-based approaches | |
US20230274415A1 (en) | Cluster-based and autonomous finding of reference information | |
Zhou et al. | SAR ship detection network based on global context and multi-scale feature enhancement | |
Dong et al. | An adaptive grouping sonar-inertial odometry for underwater navigation | |
Wilts et al. | Overview and practical evaluation of sonar-based collision avoidance approaches for AUVs | |
Peng et al. | PL-Net: towards deep learning-based localization for underwater terrain |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
121 | Ep: the epo has been informed by wipo that ep was designated in this application |
Ref document number: 20933079 Country of ref document: EP Kind code of ref document: A1 |
|
ENP | Entry into the national phase |
Ref document number: 2022518435 Country of ref document: JP Kind code of ref document: A |
|
NENP | Non-entry into the national phase |
Ref country code: DE |
|
122 | Ep: pct application non-entry in european phase |
Ref document number: 20933079 Country of ref document: EP Kind code of ref document: A1 |