Classification of Buried Objects from Ground Penetrating Radar Images by using Second Order Deep Learning Models

要約

この論文では、埋設物を分類するために共分散行列に基づく新しい分類モデルを構築します。
提案されたモデルの入力は、古典的な地中レーダー (GPR) システムで取得された双曲線サムネイルです。
これらのサムネイルは古典的な CNN の最初の層への入力となり、畳み込みフィルターの出力を使用して共分散行列が生成されます。
次に、共分散行列を特定の層で構成されるネットワークに与えて、対称正定 (SPD) 行列を分類します。
私たちは、特にトレーニング データの数が減少した場合や誤ったラベルが付けられたデータが存在する場合に、GPR データ用に設計された浅いネットワークや、コンピューター ビジョン アプリケーションで通常使用される従来の CNN よりも、私たちのアプローチが優れたパフォーマンスを発揮することを大規模なデータベースで示しました。
また、トレーニング データとテスト セットがさまざまな気象モードや考慮事項から取得される場合のモデルの興味深い点についても説明します。

要約(オリジナル)

In this paper, a new classification model based on covariance matrices is built in order to classify buried objects. The inputs of the proposed models are the hyperbola thumbnails obtained with a classical Ground Penetrating Radar (GPR) system. These thumbnails are then inputs to the first layers of a classical CNN, which then produces a covariance matrix using the outputs of the convolutional filters. Next, the covariance matrix is given to a network composed of specific layers to classify Symmetric Positive Definite (SPD) matrices. We show in a large database that our approach outperform shallow networks designed for GPR data and conventional CNNs typically used in computer vision applications, particularly when the number of training data decreases and in the presence of mislabeled data. We also illustrate the interest of our models when training data and test sets are obtained from different weather modes or considerations.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google