[論文レビュー] Deep Learning Approach for Target Locating in Through-the-Wall Radar under Electromagnetic Complex Wall

Fardin Ghorbani, Hossein Soleimani+1 more|arXiv (Cornell University)|Feb 16, 2021

Geophysical Methods and Applications参考文献 20被引用数 7

ひとこと要約

本研究では、壁が複雑な電磁特性を示す場合の壁を通り抜けるレーダー（TWR）における2次元マルチターゲット局在化のための深層ニューラルネットワーク（DNN）ベースの手法を提案する。FDTDシミュレーションで得られたデータセットを用い、5つの壁モデルと3つのターゲット設定で評価した結果、単一ターゲットでは97.7%、二重ターゲットでは94.1%、三重ターゲットでは62.2%の精度を達成した。

ABSTRACT

In this paper, we used the deep learning approach to perform two-dimensional, multi-target locating in Throughthe-Wall Radar under conditions where the wall is modeled as a complex electromagnetic media. We have assumed 5 models for the wall and 3 modes for the number of targets. The target modes are single, double and triple. The wall scenarios are homogeneous wall, wall with airgap, inhomogeneous wall, anisotropic wall and inhomogeneous-anisotropic wall. For this purpose, we have used the deep neural network algorithm. Using the Python FDTD library, we generated a dataset, and then modeled it with deep learning. Assuming the wall as a complex electromagnetic media, we achieved 97:7% accuracy for single-target 2D locating, and for two-targets, three-targets we achieved an accuracy of 94:1% and 62:2%, respectively.

研究の動機と目的

• 複雑な電磁的特性を示す壁を伴う壁を通り抜けるレーダー（TWR）における正確な2次元マルチターゲット局在化の課題に対処すること。
• 均一、空気ギャップ、不均一、異方性、不均一-異方性の壁を含む、現実的な壁シナリオのモデル化とシミュレーション。
• さまざまな電磁的壁の複雑さの下で、単一、二重、三重ターゲットの局在化におけるディープラーニングのパフォーマンスを評価すること。
• FDTDで生成された合成データを用いたデータドリブンなフレームワークを構築し、TWRアプリケーションにおける深層ニューラルネットワークの学習に活用すること。

提案手法

• Pythonを用いて、さまざまな壁モデルを通過する電磁波の伝播をシミュレートするために有限差分時域法（FDTD）を採用した。
• 5つの異なる壁設定と3つのターゲットモードを反映する包括的な合成データセットを生成した。
• シミュレートされたデータセット上で深層ニューラルネットワーク（DNN）を学習させ、レーダー戻り信号からターゲット座標へのマッピングを実現した。
• 誘電率、透磁率、異方性の変動を伴う複雑な電磁的媒体として壁をモデル化し、現実世界の複雑さを反映した。
• 入力レーダー信号から2次元ターゲット位置へのマッピングを教師あり学習で実施し、DNNの学習中に損失を最小化した。
• ターゲット数や壁の種別に応じたモデルのパフォーマンスを、精度指標を用いて評価した。

実験結果

リサーチクエスチョン

• RQ1 壁が複雑な電磁的特性を示す場合、深層ニューラルネットワークは壁を通り抜けるレーダーにおける単一ターゲットをどの程度正確に局在化できるか？
• RQ2 ディープラーニングを用いたマルチターゲット局在化（二重および三重ターゲット）において、複雑な壁条件が性能に与える影響は何か？
• RQ3 空気ギャップ、不均一性、異方性といった異なる壁構成が、ディープラーニングベースのターゲット局在化の精度にどのように影響するか？
• RQ4 壁を複雑な電磁的媒体としてモデル化することで、TWRシステムにおけるターゲット局在化の現実性と精度はどの程度向上するか？

主な発見

• ディープラーニングモデルは、壁を複雑な電磁的媒体としてモデル化した場合、壁を通り抜けるレーダーにおける単一ターゲットの局在化で97.7%の精度を達成した。
• 二重ターゲット局在化では、全テスト済みの壁設定で94.1%の精度を達成した。
• 三重ターゲット局在化の精度は62.2%に低下し、ターゲット数の増加に伴う顕著な性能の低下が示された。
• 不均一、異方性、不均一-異方性の壁を含む多様な壁タイプに対して、モデルは高いロバスト性を示した。
• FDTDで生成されたシミュレーションデータの使用により、複雑な電磁的壁シナリオにわたる効果的な一般化が可能になった。
• 結果から、ディープラーニングは、現実的な壁条件の下で、特に単一および二重ターゲットの2次元ターゲット局在化に有効であることが確認された。