JPWO2020095392A1 - 電波画像識別装置、電波画像学習装置、及び、電波画像識別方法 - Google Patents

Abstract

電波画像識別装置は、電波画像情報を取得する電波画像取得部（１０１）と、モデルを取得するモデル取得部（１０２）と、電波画像情報又は電波画像情報に基づいて生成された特徴マップ情報に、モデルに基づいて、閉曲線により囲まれた領域である注目領域と、注目領域を包含する閉曲線により囲まれた領域から注目領域を除いた領域である周辺領域とを設定し、注目領域と周辺領域との分離度を算出する分離度算出層（１３１）と、モデルに基づいて、電波画像情報又は特徴マップ情報における注目領域に対して畳み込み処理を実行し、畳み込み処理の処理結果に分離度に基づく重み付けを付与することにより特徴マップ情報を生成する注目領域畳み込み層（１３２）と、を有する畳み込み処理部（１０３）と、モデル及び特徴マップ情報に基づいて、クラス分類を行う全結合部（１０６）と、全結合部（１０６）がクラス分類した結果を出力する結果出力部（１０７）とを備えた。

Description

この発明は、電波画像識別装置、電波画像学習装置、及び、電波画像識別方法に関するものである。

機械学習技術を用いた光学画像における物体識別技術では、ディープラーニング技術の一つである畳み込みニューラルネットワーク（Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋｓ）（以下「ＣＮＮ」という。）を用いることが一般的である。

例えば、非特許文献１には、ＡｌｅｘＮｅｔと呼ばれるＣＮＮを用いて、光学画像の物体識別において高精度な識別が可能であることが示されている。

"Alex Krizhevsky, Ilya Sutskever, Geoffrey E. Hinton"、"ImageNet Classification with Deep Convolutional Neural Networks"、"Advances in Neural Information Processing Systems 25"、"Neural Information Processing Systems Foundation, Inc."、2012年、"p.1097-1105"

ＣＮＮでは、入力画像から特徴量を抽出して、当該特徴量に基づき画像に写った被写体を分類する。
しかしながら、入力画像が電波画像である場合、電波画像は、光学画像と比較して画像から抽出可能な特徴量が少ないため、従来のＣＮＮを用いた物体識別では、識別精度が低下してしまうという問題点があった。

この発明は、上述の問題点を解決するためのもので、入力画像が電波画像であっても、高精度の物体識別を行うことができる電波画像識別装置を提供することを課題としている。

この発明に係る電波画像識別装置は、電波画像を示す電波画像情報を取得する電波画像取得部と、電波画像情報に基づく識別処理に用いられるモデルを取得するモデル取得部と、電波画像情報又は電波画像情報に基づいて生成された特徴マップ情報に、モデルに基づいて、閉曲線により囲まれた領域である注目領域と、注目領域を包含する閉曲線により囲まれた領域から注目領域を除いた領域である周辺領域とを設定し、注目領域と周辺領域との分離度を算出する分離度算出層と、モデルに基づいて、電波画像情報又は特徴マップ情報における注目領域に対して畳み込み処理を実行し、当該畳み込み処理の処理結果に分離度に基づく重み付けを付与することにより特徴マップ情報を生成する注目領域畳み込み層と、を有する１以上の畳み込み処理部と、モデル及び特徴マップ情報に基づいて、クラス分類を行う全結合部と、全結合部がクラス分類した分類結果を出力する結果出力部と、を備えた。

この発明によれば、入力画像が電波画像であっても、高精度の物体識別を行うことができる。

図１は、実施の形態１に係る電波画像識別装置の構成の一例を示すブロック図である。 図２Ａ及び図２Ｂは、実施の形態１に係る電波画像識別装置の要部のハードウェア構成の一例を示す図である。 図３は、電波画像上又は特徴マップ上のある位置における注目領域及び周辺領域の一例を示す図である。 図４Ａは、電波画像上の各画素における位置に対応する注目領域の大きさを示す半径Ｒａの算出方法の一例を示す図である。図４Ｂは、特徴マップ上の各要素における位置に対応する注目領域の大きさを示す半径Ｒａの算出方法の一例を示す図である。 図５は、従来の畳み込み処理において用いられる矩形フィルタを、実施の形態１に係る注目領域及び周辺領域に対応させて円形フィルタに加工する一例を示す図である。 図６は、実施の形態１に係る電波画像識別装置の処理の一例を説明するフローチャートである。 図７Ａ及び図７Ｂは、電波画像識別装置が取得する電波画像情報が示す電波画像の一例を示す図ある。 図８は、実施の形態２に係る電波画像学習装置の要部の一例を示すブロック図である。

以下、この発明の実施の形態について、図面を参照しながら詳細に説明する。

実施の形態１．
図１を参照して実施の形態１に係る電波画像識別装置１００の要部の構成について説明する。
図１は、実施の形態１に係る電波画像識別装置１００の構成の一例を示すブロック図である。
図１に示すとおり、電波画像識別装置１００は、電波画像識別システム１０に適用される。
電波画像識別システム１０は、電波画像識別装置１００、電波画像出力装置１１、及び記憶装置１２を備える。

電波画像識別装置１００は、電波画像出力装置１１から取得した電波画像情報と、記憶装置１２から取得したモデルとに基づいて、取得した電波画像情報が示す電波画像に写った物体を識別するための識別処理を実行するものである。
より具体的には、電波画像識別装置１００は、取得したモデルに基づくニューラルネットワークによる処理により、取得した電波画像情報が示す電波画像に写った物体を識別するための識別処理を実行するものである。
電波画像識別装置１００の詳細については後述する。

電波画像出力装置１１は、アンテナ（不図示）により受信した電波を復調し、復調した電波に基づいて、電波画像を示す電波画像情報を生成するものである。
電波画像出力装置１１は、生成した電波画像情報を電波画像識別装置１００に出力する。

記憶装置１２は、電波画像識別装置１００が識別処理を実行するために必要なパラメータ及びプログラム等を示す情報であるモデルと、電波画像識別装置１００が識別処理におけるクラス分類を行うためのクラスの理想値とを記憶部１３に記憶している。
記憶装置１２は、電波画像識別装置１００の要求に応じて、電波画像識別装置１００にモデル又はクラスの理想値等を出力する。また、記憶装置１２は、電波画像識別装置１００の要求に応じて、電波画像識別装置１００からモデルを取得し、記憶部１３に記憶されているモデルを取得したモデルに更新して記憶部１３に記憶させても良い。
クラスの理想値は、例えば、クラス分類を行う際の分類数が２である場合、クラスの理想値は２次元ベクトルで表現され、ベクトルの一方の要素の値が１、他方の要素の値が０に数値化されたものである。

電波画像識別装置１００の要部について説明する。
実施の形態１に係る電波画像識別装置１００は、電波画像取得部１０１、モデル取得部１０２、畳み込み処理部１０３、活性化部１０４、プーリング部１０５、全結合部１０６、結果出力部１０７、評価部１０８、及びモデル更新部１０９を備える。
なお、電波画像識別装置１００において、活性化部１０４、プーリング部１０５、評価部１０８、及びモデル更新部１０９は、必須の構成ではない。

電波画像取得部１０１は、電波画像情報を取得する。
より具体的には、例えば、電波画像取得部１０１は、電波画像出力装置１１から電波画像情報を取得する。

モデル取得部１０２は、電波画像情報に基づく識別処理に用いられるモデルを取得する。
より具体的には、例えば、モデル取得部１０２は、記憶装置１２からモデルを取得する。

畳み込み処理部１０３、活性化部１０４、プーリング部１０５、全結合部１０６、及びモデル更新部１０９の各部は、モデル取得部１０２が取得したモデルに基づくニューラルネットワークにより処理が実行されるものである。すなわち、畳み込み処理部１０３、活性化部１０４、プーリング部１０５、全結合部１０６、及びモデル更新部１０９の各部は、層状結合によるニューラルネットワークにおける層に相当する。
畳み込み処理部１０３、活性化部１０４、プーリング部１０５、全結合部１０６、及びモデル更新部１０９の各部は、それぞれが複数存在しても良い。例えば、畳み込み処理部１０３が複数存在する場合、複数の畳み込み処理部１０３は、１層に存在しても良く、また、層状結合しても良い。活性化部１０４、プーリング部１０５、全結合部１０６、及びモデル更新部１０９の各部についても同様である。

畳み込み処理部１０３は、分離度算出層１３１及び注目領域畳み込み層１３２を有する。
分離度算出層１３１は、電波画像取得部１０１が取得した電波画像情報、又は、電波画像取得部１０１が取得した電波画像情報に基づいて生成された特徴マップ情報に、モデルに基づいて、閉曲線により囲まれた領域である注目領域と、注目領域を包含する閉曲線により囲まれた領域から注目領域を除いた領域である周辺領域とを設定し、注目領域と周辺領域との分離度を算出する。
注目領域畳み込み層１３２は、モデルに基づいて、電波画像取得部１０１が取得した電波画像情報、又は、電波画像取得部１０１が取得した電波画像情報に基づいて生成された特徴マップ情報における、分離度算出層１３１が設定した注目領域に対して、畳み込み処理を実行する。更に、注目領域畳み込み層１３２は、当該畳み込み処理の処理結果に、分離度算出層１３１が算出した分離度に基づく重み付けを付与することにより特徴マップ情報を生成する。
注目領域畳み込み層１３２は、モデルに基づく複数の異なるパラメータを用いて、電波画像情報又は特徴マップ情報における注目領域に対して複数の畳み込み処理を実行しても良い。注目領域畳み込み層１３２は、当該複数の畳み込み処理の処理結果毎に分離度に基づく重み付けを付与して複数の特徴マップ情報を生成しても良い。
また、注目領域畳み込み層１３２は、電波画像情報又は特徴マップ情報における注目領域に対して畳み込み処理を実行し、当該畳み込み処理の処理結果に、モデルに基づく複数の異なるパラメータを用いて算出した複数の分離度に基づく重み付けを付与することにより、複数の特徴マップ情報を生成しても良い。
分離度に基づく処理結果への重み付けの方法については後述する。

注目領域における閉曲線は、例えば、電波画像上又は特徴マップ上のある位置を中心とする半径Ｒａの円Ｃａである。ここで言う円Ｃａは、真円とは限らず、例えば、一部が扁平した略円であっても良い。また、注目領域における閉曲線の形状は、円形とは限らず、楕円形、卵形、又は角丸長方形であっても良い。ここで言う楕円形、卵形、及び角丸長方形は、それぞれ略楕円形、略卵形、及び略角丸長方形を含むものである。角丸長方形とは、長方形の角を一部又は全部を丸くした形状をした図形である。
電波画像上の各画素又は特徴マップ上の各要素における位置に対応する半径Ｒａ等の注目領域の大きさを算出する方法については後述する。

周辺領域における注目領域を包含する閉曲線は、例えば、注目領域における閉曲線である円Ｃａの中心を中心とした、円Ｃａの半径Ｒａより大きい半径Ｒｂの円Ｃｂである。ここで言う円Ｃｂは、真円とは限らず、例えば、一部が扁平した略円であっても良い。また、周辺領域における注目領域を包含する閉曲線の形状は、円形とは限らず、楕円形、卵形、又は角丸長方形であっても良い。ここで言う楕円形、卵形、及び角丸長方形は、それぞれ略楕円形、略卵形、及び略角丸長方形を含むものである。
電波画像上の各画素又は特徴マップ上の各要素における位置に対応する半径Ｒａ及び半径Ｒｂ等の周辺領域の大きさを算出する方法については後述する。
また、分離度算出層１３１における注目領域と周辺領域との分離度及び分離度の算出方法については後述する。

活性化部１０４は、例えば、畳み込み処理部１０３が出力した特徴マップ情報に対して非線形変換により不要な特徴量を減少させる処理を行う。非線形変換は、シグモイド関数、ランプ関数又はソフトマックス関数等の活性化関数が用いられる。
プーリング部１０５は、例えば、活性化部１０４が非線形変換した特徴マップ情報に対して特徴量を残すように縮小する処理を行う。プーリング部１０５は、当該処理により、特徴マップ上における目標位置の微小な位置変化に対して不変性を与える。

全結合部１０６は、モデル及び特徴マップ情報に基づいて、クラス分類を行う。より具体的には、例えば、全結合部１０６は、畳み込み処理部１０３が出力した特徴マップ情報に対して、活性化部１０４及びプーリング部１０５が処理した後の特徴マップ情報に基づいてクラス分類を行う。
全結合部１０６は、例えば、特徴マップ情報から特徴量を抽出し、抽出した特徴量をベクトルに変換する。全結合部１０６が複数存在し、複数の全結合部１０６が層を成している場合、最後の全結合部１０６の層から出力されるベクトルは、識別可能な複数のクラスにおける各クラス成分を含むベクトルとなる。複数の層を成す全結合部１０６の最終層に、ソフトマックス関数により処理する全結合部１０６を設け、出力されたベクトルを各クラスの確率を示す情報に変換しても良い。
全結合部１０６は、活性化部１０４、プーリング部１０５、又は、活性化部１０４及びプーリング部１０５を含んでいても良い。すなわち、活性化部１０４、プーリング部１０５、及び全結合部１０６を合わせて、全結合部１０６と定義しても良い。

結果出力部１０７は、全結合部１０６がクラス分類した分類結果を出力する。
より具体的には、例えば、結果出力部１０７は、全結合部１０６がクラス分類した分類結果を後述の評価部１０８に出力する。
また、結果出力部１０７は、分類結果を表示制御装置（不図示）に出力しても良い。表示制御装置は、例えば、表示画面（不図示）に分類結果を視覚的に表示することにより出力する。

評価部１０８は、結果出力部１０７が出力した分類結果と、クラス分類における理想値とに基づいて、モデルに含まれるパラメータを評価する。
より具体的には、例えば、評価部１０８は、分類結果とクラス分類の理想値とに基づいて、交差エントロピー関数等の誤差関数により、各クラスの確率と理想値との誤差を計算し、誤差を最小にするパラメータを求める。
なお、評価部１０８は、例えば、クラス分類における理想値を記憶装置１２から取得する。

モデル更新部１０９は、評価部１０８が評価した評価結果に基づいて、モデルに含まれるパラメータを変更することによりモデルを更新する。モデル更新部１０９は、例えば、更新したモデルを記憶装置１２に出力する。記憶装置１２は、記憶部１３に記憶されているモデルをモデル更新部１０９が出力したモデルに更新して記憶部１３に記憶させる。また、モデル更新部１０９は、例えば、更新したモデルをモデル取得部１０２に出力しても良い。
図１は、モデル更新部１０９が、更新したモデルを記憶装置１２に出力する場合、お及び、更新したモデルをモデル取得部１０２に出力する場合の両方を示している。

電波画像識別装置１００において、評価部１０８及びモデル更新部１０９は、必須な構成でない。電波画像識別装置１００は、評価部１０８及びモデル更新部１０９を有することにより、例えば、電波画像取得部１０１が取得する電波画像情報毎に識別処理を実行するためのパラメータが変化する。
このように構成することで、電波画像取得部１０１が取得する電波画像情報毎に学習によりモデルが更新されるため、電波画像識別装置１００は、より適したモデルを用いて物体の識別処理を実行することが可能になる。

図２Ａ及び図２Ｂを参照して、実施の形態１に係る電波画像識別装置１００の要部のハードウェア構成について説明する。
図２Ａ及び図２Ｂは、実施の形態１に係る電波画像識別装置１００の要部のハードウェア構成の一例を示す図である。

図２Ａに示す如く、電波画像識別装置１００はコンピュータにより構成されており、当該コンピュータはプロセッサ２０１及びメモリ２０２を有している。メモリ２０２には、当該コンピュータを電波画像取得部１０１、モデル取得部１０２、畳み込み処理部１０３、活性化部１０４、プーリング部１０５、全結合部１０６、結果出力部１０７、評価部１０８、及びモデル更新部１０９として機能させるためのプログラムが記憶されている。メモリ２０２に記憶されているプログラムをプロセッサ２０１が読み出して実行することにより、電波画像取得部１０１、モデル取得部１０２、畳み込み処理部１０３、活性化部１０４、プーリング部１０５、全結合部１０６、結果出力部１０７、評価部１０８、及びモデル更新部１０９が実現される。

また、図２Ｂに示す如く、電波画像識別装置１００は処理回路２０３により構成されても良い。この場合、電波画像取得部１０１、モデル取得部１０２、畳み込み処理部１０３、活性化部１０４、プーリング部１０５、全結合部１０６、結果出力部１０７、評価部１０８、及びモデル更新部１０９の機能が処理回路２０３により実現されても良い。

また、電波画像識別装置１００はプロセッサ２０１、メモリ２０２及び処理回路２０３により構成されても良い（不図示）。この場合、電波画像取得部１０１、モデル取得部１０２、畳み込み処理部１０３、活性化部１０４、プーリング部１０５、全結合部１０６、結果出力部１０７、評価部１０８、及びモデル更新部１０９の機能のうちの一部の機能がプロセッサ２０１及びメモリ２０２により実現されて、残余の機能が処理回路２０３により実現されるものであっても良い。

プロセッサ２０１は、例えば、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）、ＧＰＵ（Ｇｒａｐｈｉｃｓ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）、マイクロプロセッサ、マイクロコントローラ又はＤＳＰ（Ｄｉｇｉｔａｌ Ｓｉｇｎａｌ Ｐｒｏｃｅｓｓｏｒ）を用いたものである。

メモリ２０２は、例えば、半導体メモリ又は磁気ディスクを用いたものである。より具体的には、メモリ２０２は、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、フラッシュメモリ、ＥＰＲＯＭ（Ｅｒａｓａｂｌｅ Ｐｒｏｇｒａｍｍａｂｌｅ Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、ＥＥＰＲＯＭ（Ｅｌｅｃｔｒｉｃａｌｌｙ Ｅｒａｓａｂｌｅ Ｐｒｏｇｒａｍｍａｂｌｅ Ｒｅａｄ−Ｏｎｌｙ Ｍｅｍｏｒｙ）、ＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ）又はＨＤＤ（Ｈａｒｄ Ｄｉｓｋ Ｄｒｉｖｅ）などを用いたものである。

処理回路２０３は、例えば、ＡＳＩＣ（Ａｐｐｌｉｃａｔｉｏｎ Ｓｐｅｃｉｆｉｃ Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔ）、ＰＬＤ（Ｐｒｏｇｒａｍｍａｂｌｅ Ｌｏｇｉｃ Ｄｅｖｉｃｅ）、ＦＰＧＡ（Ｆｉｅｌｄ−Ｐｒｏｇｒａｍｍａｂｌｅ Ｇａｔｅ Ａｒｒａｙ）、ＳｏＣ（Ｓｙｓｔｅｍ−ｏｎ−ａ−Ｃｈｉｐ）又はシステムＬＳＩ（Ｌａｒｇｅ−Ｓｃａｌｅ Ｉｎｔｅｇｒａｔｉｏｎ）を用いたものである。

図３を参照して、電波画像上又は特徴マップ上のある位置における注目領域及び周辺領域について説明する。
図３は、電波画像上又は特徴マップ上のある位置における注目領域及び周辺領域の一例を示す図である。

図３に示すように、例えば、電波画像上又は特徴マップ上のある位置における注目領域は、当該位置を中心とする半径Ｒａの円Ｃａにより囲まれた領域である。また、電波画像上又は特徴マップ上のある位置における周辺領域は、当該位置を中心とする半径Ｒｂの円Ｃｂにより囲まれた領域から、当該注目領域を除いた領域である。

図４を参照して、電波画像上の各画素又は特徴マップ上の各要素における位置に対応する注目領域の大きさ及び周辺領域の大きさを算出する方法について説明する。
畳み込み処理部１０３は、例えば、分離度算出層１３１における処理を実行する前に処理を実行する不図示の領域サイズ決定層１３３を有する。
領域サイズ決定層１３３は、例えば、畳み込み処理部１０３に入力された電波画像情報又は特徴マップ情報に対して、所定の畳み込みフィルタ（以下「領域決定フィルタ」という。）を用いて畳み込み処理を実行することにより、当該電波画像上の各画素又は当該特徴マップ上の各要素における位置に対応する注目領域の大きさ又は周辺領域の大きさを示す値を算出する。

図４Ａは、電波画像上の各画素における位置に対応する注目領域の大きさを示す半径Ｒａの算出方法の一例を示す図である。
具体的には、例えば、縦方向の画素数がＨ個、横方向の画素数がＷ個、及びチャネル数がＣ個（以下「Ｈ×Ｗ×Ｃ」と表記する。）の電波画像情報が、畳み込み処理部１０３に入力された場合、領域サイズ決定層１３３は、領域決定フィルタを用いて、当該電波画像情報に対して畳み込み処理を実行することにより、当該電波画像情報の各画素に対応する各要素の値が、当該各画素の位置における半径Ｒａの値となる「Ｈ×Ｗ×１」の注目領域サイズマップ情報を出力する。
電波画像情報におけるチャネルは、例えば、電波画像における赤青緑等の各色成分に対応するものである。すなわち、例えば、電波画像情報における各画素が、赤成分、青成分、緑成分の３つの色成分を有する場合、当該電波画像におけるチャネル数は３となる。

より具体的には、例えば、電波画像取得部１０１は、電波画像情報を取得し、取得した電波画像情報から各色成分に対応する複数の色成分画像情報を生成する。領域サイズ決定層１３３は、当該複数の色成分画像情報に対して領域決定フィルタを用いて畳み込み処理を行うことにより、当該電波画像情報の各画素に対応する各要素の値が、当該各画素の位置における半径Ｒａの値となる注目領域サイズマップ情報を出力する。

図４Ｂは、特徴マップ上の各要素における位置に対応する注目領域の大きさを示す半径Ｒａの算出方法の一例を示す図である。
具体的には、例えば、縦方向の要素数がＨ個、横方向の要素数がＷ個、及びチャネル数がＣ個（以下「Ｈ×Ｗ×Ｃ」と表記する。）の特徴マップ情報が畳み込み処理部１０３に入力された場合、領域サイズ決定層１３３は、領域決定フィルタを用いて、当該特徴マップに対して畳み込み処理を実行することにより、当該特徴マップの各要素に対応する各要素の値が、当該特徴マップの各要素の位置における半径Ｒａの値となる「Ｈ×Ｗ×１」の注目領域サイズマップ情報を出力する。

特徴マップ情報におけるチャネルは、例えば、畳み込み処理部１０３に入力された特徴マップ情報の個数である。具体的には、例えば、電波画像識別装置１００が複数の畳み込み処理部１０３を備え、当該複数の畳み込み処理部１０３が層を成している場合、先に処理が実行される層の畳み込み処理部１０３から１以上の特徴マップ情報が出力され、後に処理が実行される層の畳み込み処理部１０３は、当該１以上の特徴マップ情報に対して、領域決定フィルタを用いて、畳み込み処理を実行する。チャネルは、後に処理が実行される層の畳み込み処理部１０３に入力される１以上の特徴マップ情報の個数である。

電波画像上の各画素又は特徴マップ上の各要素における位置に対応する周辺領域の外周の大きさを示す半径Ｒｂは、例えば、上述の半径Ｒａを算出する方法と同様の方法により算出される。すなわち、領域サイズ決定層１３３は、注目領域サイズマップ情報を出力するのと同様の方法により、電波画像上の各画素又は特徴マップ上の各要素における位置に対応する周辺領域の外周の大きさを示す周辺領域サイズマップ情報を出力する。
また、例えば、電波画像上の各画素又は特徴マップ上の各要素における位置に対応する周辺領域の外周の大きさ値は、当該位置に対応する注目領域の大きさを示す値に予め設定された値を乗じることにより算出されるものであっても良い。

注目領域又は周辺領域が円形以外の形状、例えば、楕円形である場合、領域サイズ決定層１３３は、楕円の長径を算出するための領域決定フィルタと、短径を算出するための領域決定フィルタとを用いて、電波画像上の各画素又は特徴マップ上の各要素における位置に対応する注目領域又は周辺領域の大きさを示す長径用の注目領域サイズマップ情報又は周辺領域サイズマップ情報と、短径用の注目領域サイズマップ情報又は周辺領域サイズマップ情報とを出力する。
すなわち、領域サイズ決定層１３３は、所定の形状の注目領域及び周辺領域の大きさを規定するために必要な複数の領域決定フィルタを用いることにより、必要な注目領域サイズマップ情報及び周辺領域サイズマップ情報を出力する。

領域サイズ決定層１３３のパラメータは、上述の評価部１０８及びモデル更新部１０９における処理により、電波画像取得部１０１が取得する電波画像情報毎に学習され、更新される。そのため、電波画像識別装置１００は、より適したモデルを用いて、注目領域サイズマップ情報及び周辺領域サイズマップ情報を出力することが可能になる。

分離度算出層１３１における注目領域と周辺領域との分離度及び分離度の算出方法について説明する。
分離度算出層１３１は、例えば、注目領域と周辺領域との分離度を算出するために用いる複数のフィルタを生成する。分離度算出層１３１が生成するフィルタは、例えば、領域間フィルタ、合算領域フィルタ、及び分離度算出フィルタである。

領域間フィルタは、注目領域と周辺領域と間における、Ｒａｄａｒ Ｃｒｏｓｓ Ｓｅｃｔｉｏｎ値（以下「ＲＣＳ値」という。）の変化量を算出するための畳み込みフィルタである。
具体的には、例えば、領域間フィルタは、合算領域に対する注目領域におけるＲＣＳ値の分散を示す値と周辺領域におけるＲＣＳ値の分散を示す値との和（以下「領域間分散値」という。）を算出するための畳み込みフィルタである。
より具体的には、例えば、領域間フィルタは、式（１）を用いて領域間分散値を算出するための畳み込みフィルタである。

なお、ＲＣＳ値は、電波画像上のある画素又は特徴マップ上のある要素における電波反射強度に対応する値である。

合算領域フィルタは、注目領域と周辺領域とを合わせた領域（以下「合算領域」という。）におけるＲＣＳ値の変化量を算出するための畳み込みフィルタである。
具体的には、例えば、合算領域フィルタは、合算領域におけるＲＣＳ値の分散を示す値（以下「合算領域分散値」という。）を算出するための畳み込みフィルタである。
より具体的には、例えば、合算領域フィルタは、式（２）を用いて合算領域分散値を算出するための畳み込みフィルタである。

合算領域フィルタは、式（２）を離散化した式（３）を用いて合算領域分散値を算出するための畳み込みフィルタであっても良い。

分離度算出フィルタは、注目領域と周辺領域と間におけるＲＣＳ値の変化量が、合算領域におけるＲＣＳ値の変化量に占める割合を示す値を算出するためのフィルタである。
具体的には、例えば、分離度算出フィルタは、領域間分散値を、合算領域分散値で除することにより、注目領域と周辺領域との分離度を算出するためのフィルタである。
より具体的には、例えば、分離度算出フィルタは、式（４）を用いて注目領域と周辺領域との分離度を算出するためのフィルタである。

分離度算出層１３１は、領域間フィルタ、合算領域フィルタ、及び分離度算出フィルタを用いて、注目領域と周辺領域との分離度を算出する。
注目領域と周辺領域との分離度は、注目領域と周辺領域と間におけるＲＣＳ値の変化量が小さい場合、０に近付き、当該変化量が大きい場合、１に近付く。

分離度に基づく処理結果への重み付けの方法について説明する。
注目領域畳み込み層１３２は、特徴マップ情報を生成するために用いる複数のフィルタを生成する。注目領域畳み込み層１３２が生成するフィルタは、例えば、注目領域フィルタ、及び重み付けフィルタである。

注目領域フィルタは、電波画像上のある画像の位置、又は、特徴マップ上のある要素の位置に対応する注目領域におけるＲＣＳ値から、当該位置における特徴的なＲＣＳ値を算出するための畳み込みフィルタである。
注目領域畳み込み層１３２は、注目領域フィルタを用いて、電波画像上の各画素の位置、又は、特徴マップ上の各要素の位置における特徴的なＲＣＳ値を算出する。

重み付けフィルタは、例えば、注目領域フィルタを用いて算出された電波画像上のある画像の位置、又は、特徴マップ上のある要素の位置における特徴的なＲＣＳ値に、分離度算出層１３１が算出した当該位置における分離度を乗じるためのフィルタである。
注目領域畳み込み層１３２は、重み付けフィルタを用いて、電波画像上の各画素の位置、又は、特徴マップ上の各要素の位置における特徴的なＲＣＳ値に、当該各位置における分離度を乗じることにより、特徴マップ情報を生成する。
上述のとおり、注目領域と周辺領域との分離度は、注目領域と周辺領域と間におけるＲＣＳ値の変化量が大きい場合、１に近付き、当該変化量が小さい場合、０に近付く。このため、電波画像上の各画素の位置、又は、特徴マップ上の各要素の位置における特徴的なＲＣＳ値に、当該各位置における分離度を乗じることにより生成される特徴マップ情報は、分離度が高ければ注目領域に付与する重み付けが大きくなり、分離度が低ければ注目領域に付与する重み付けが小さくなる。

注目領域又は周辺領域におけるＲＣＳ値に対して、畳み込み処理を行うための領域間フィルタ、合算領域フィルタ、及び注目領域フィルタは、注目領域又は周辺領域の形状及び大きさに対応するものである。注目領域及び周辺領域の形状は、円形、楕円形、卵形、又は角丸長方形等の形状である。

領域間フィルタ、合算領域フィルタ、及び注目領域フィルタは、領域サイズ決定層１３３が出力した注目領域サイズマップ情報及び周辺領域サイズマップ情報に基づいて生成される。
より具体的には、例えば、領域間フィルタ、合算領域フィルタ、及び注目領域フィルタは、モデル取得部１０２が取得したモデルに含まれる大きさが可変な円形フィルタ等の所定の形状を有する畳み込みフィルタに、注目領域サイズマップ情報及び周辺領域サイズマップ情報に含まれる注目領域又は周辺領域の大きさを示す値を適用することにより生成される。
また、例えば、領域間フィルタ、合算領域フィルタ、及び注目領域フィルタは、従来の畳み込み処理において用いられる矩形フィルタにおける各位置を、注目領域又は周辺領域において略均等に配置するように加工することにより、円形等の所定の形状になるように生成されても良い。

図５は、従来の畳み込み処理において用いられる矩形フィルタを、実施の形態１に係る注目領域及び周辺領域に対応させて円形フィルタに加工する一例を示す図である。
図５に示すように、例えば、畳み込み処理部１０３は、矩形フィルタを分解し、分解した矩形フィルタを、注目領域及び周辺領域の形状に対応するように配置することにより、畳み込みフィルタである領域間フィルタ、合算領域フィルタ、及び注目領域フィルタを生成しても良い。

図６を参照して、実施の形態１に係る電波画像識別装置１００の動作について説明する。
図６は、実施の形態１に係る電波画像識別装置１００の処理の一例を説明するフローチャートである。
電波画像識別装置１００は、例えば、当該フローチャートの処理を電波画像情報毎に繰り返して実行する。

まず、ステップＳＴ６０１にて、電波画像取得部１０１は、電波画像情報を取得する。
次に、ステップＳＴ６０２にて、モデル取得部１０２は、モデルを取得する。
次に、ステップＳＴ６０３にて、畳み込み処理部１０３は、電波画像上の各画素の位置、又は特徴マップ上の各要素の位置における注目領域及び周辺領域の大きさを示す注目領域サイズマップ情報及び周辺領域サイズマップ情報を生成する。
次に、ステップＳＴ６０４にて、畳み込み処理部１０３は、注目領域と周辺領域との分離度を算出する。
次に、ステップＳＴ６０５にて、畳み込み処理部１０３は、注目領域に対して畳み込み処理を実行し、当該畳み込み処理の処理結果に分離度に基づく重み付けを付与することにより特徴マップ情報を生成する。

畳み込み処理部１０３が複数存在し、当該複数の畳み込み処理部１０３が層を成している場合、ステップＳＴ６０６にて、ステップＳＴ６０３からステップＳＴ６０５までの処理を実行した畳み込み処理部１０３が、最後の層の畳み込み処理部１０３であるか否かを判定する。
ステップＳＴ６０６にて、畳み込み処理部１０３が最後の層の畳み込み処理部１０３でない場合、電波画像識別装置１００は、ステップＳＴ６０３の処理に戻り、これまで処理を実行した層の次の層の畳み込み処理部１０３にステップＳＴ６０３からステップＳＴ６０６までの処理を実行させる。
ステップＳＴ６０６にて、畳み込み処理部１０３が最後の層の畳み込み処理部１０３である場合、ステップＳＴ６０７にて、活性化部１０４は、不要な特徴量を減少させる処理を行う。

次に、ステップＳＴ６０８にて、プーリング部１０５は、特徴量を残すように縮小する処理を行う。
次に、ステップＳＴ６０９にて、全結合部１０６は、モデル及び特徴マップ情報に基づいて、クラス分類を行う。
次に、ステップＳＴ６１０にて、結果出力部１０７は、全結合部１０６がクラス分類した分類結果を出力する。
次に、ステップＳＴ６１１にて、評価部１０８は、結果出力部１０７が出力した分類結果と、クラス分類における理想値とに基づいて、モデルに含まれるパラメータを評価する。
次に、ステップＳＴ６１２にて、モデル更新部１０９は、評価部１０８が評価した評価結果に基づいて、モデルに含まれるパラメータを変更することによりモデルを更新する。

電波画像識別装置１００は、ステップＳＴ６１１の処理を実行した後、当該フローチャートの処理を終了し、ステップＳＴ６０１の処理に戻って、当該フローチャートの処理を電波画像情報毎に繰り返し実行する。
なお、当該フローチャートの処理において、ステップＳＴ６０１の処理とステップＳＴ６０２の処理とは、処理する順序が逆であっても良い。

以上のように、電波画像識別装置１００は、電波画像を示す電波画像情報を取得する電波画像取得部１０１と、電波画像情報に基づく識別処理に用いられるモデルを取得するモデル取得部１０２と、電波画像情報又は電波画像情報に基づいて生成された特徴マップ情報に、モデルに基づいて、閉曲線により囲まれた領域である注目領域と、注目領域を包含する閉曲線により囲まれた領域から注目領域を除いた領域である周辺領域とを設定し、注目領域と周辺領域との分離度を算出する分離度算出層１３１と、モデルに基づいて、電波画像情報又は特徴マップ情報における注目領域に対して畳み込み処理を実行し、当該畳み込み処理の処理結果に分離度に基づく重み付けを付与することにより特徴マップ情報を生成する注目領域畳み込み層１３２と、を有する１以上の畳み込み処理部１０３と、モデル及び特徴マップ情報に基づいて、クラス分類を行う全結合部１０６と、全結合部１０６がクラス分類した分類結果を出力する結果出力部１０７と、を備えた。
このように構成することで、電波画像識別装置１００は、算出した注目領域と周辺領域との分離度に基づく重み付けを付与を行うことにより、入力画像が電波画像であっても、高精度の物体識別を行うことができる。

また、電波画像識別装置１００は、畳み込み処理部１０３は、分離度が高ければ注目領域に付与する重み付けを大きくし、分離度が低ければ注目領域に付与する重み付けを小さくするように構成した。
このように構成することで、電波画像識別装置１００は、注目領域におけるＲＣＳ値が特徴的なものである場合、注目領域におけるＲＣＳ値を際立たせることができる。

また、電波画像識別装置１００は、注目領域の大きさが、学習により更新されることにより、電波画像取得部１０１が取得する電波画像情報毎に変化するように構成した。
より具体的には、電波画像識別装置１００は、注目領域における円Ｃａの半径Ｒａ、及び周辺領域における円Ｃｂの半径Ｒｂが、学習により更新されることにより、電波画像取得部１０１が取得する電波画像情報毎に変化するように構成した。
このように構成することで、電波画像識別装置１００は、より適したと特徴量の算出が可能となり、識別精度を向上できる。

また、電波画像識別装置１００は、畳み込み処理部１０３が電波画像情報又は特徴マップ情報における注目領域に対して畳み込み処理を行う際に使用する畳み込みフィルタが、矩形フィルタを加工することにより構成されるようにした。
このように構成することで、電波画像識別装置１００は、所定の形状の畳み込みフィルタを予め用意する必要がなくなり、より汎用的な畳み込みフィルタを用いることができる。

また、電波画像識別装置１００は、結果出力部１０７が出力した分類結果と、クラス分類における理想値とに基づいて、モデルに含まれるパラメータを評価する評価部１０８と、評価部１０８が評価した評価結果に基づいて、モデルに含まれるパラメータを更新することによりモデルを更新するモデル更新部１０９と、を備えた。
このように構成することで、電波画像識別装置１００は、取得する電波画像情報毎に、より適したとモデルに基づいた識別処理が可能となり、識別精度を向上できる。

また、電波画像識別装置１００は、注目領域の形状が、円形、楕円形、卵形、又は角丸長方形となるように構成した。
電波画像に出現する物体の特徴は、円形に近い形状である。したがって、電波画像識別装置１００は、円形、楕円形、卵形、又は角丸長方形等の形状の畳み込みフィルタを用いることにより、従来の矩形フィルタを用いた場合よりも、より適した特徴量の抽出でき、入力画像が電波画像であっても、高精度の物体識別を行うことができる。

従来の畳み込み処理は、画像の各画素に対して、ある画素を中心とした縦ｋ（ｋは自然数）画素及び横ｋ画素の領域とｋ×ｋ畳み込みフィルタとの内積を取った処理結果を算出する。従来の畳み込み処理は、畳み込む領域と畳み込みフィルタがどの程度類似しているかを示す類似度を算出することを意味している。
これに対して、畳み込み処理部１０３における畳み込み処理は、注目点を中心とした円形、楕円形、卵形、又は角丸長方形等の形状の注目領域と、注目領域フィルタとの類似度に加えて、注目領域と当該注目領域の外側の周辺領域との分離度、即ち、注目領域と周辺領域とがどの程度類似していないかを示す値を算出し、類似度と分離度とを組み合わせるものである。このように構成することで、電波画像識別装置１００は、電波画像上の注目領域におけるＲＣＳ値と、電波画像全体におけるＲＣＳ値との類似性を単純に量るだけではなく、当該注目領域が電波画像情報においてどの程度特異であるかを量ることができるため、光学画像に比べて特徴量の少ない電波画像においても多くの特徴を抽出することが可能となる。

図７を参照して、実施の形態１に係る電波画像識別装置１００が取得する電波画像情報について説明する。
図７Ａ及び図７Ｂは、電波画像識別装置１００が取得する電波画像情報が示す電波画像の一例を示す図ある。

図７Ａに示すように、電波画像識別装置１００が取得する電波画像情報は、例えば、距離方向及び速度方向からなる２次元画像によって示されるレンジドップラマップである。
図７Ａは、２種類の異なる識別目標である物体に対応する電波画像を示している。
図７Ａにおいて、電波画像における明暗は、アンテナが受信した、識別目標である物体に対して照射した電波の反射波のＲＣＳ強度を示している。また、電波画像における明暗は、当該反射波の他にアンテナが受信したノイズによる影響が含まれている。ノイズは、Ｓｉｇｎａｌ−Ｎｏｉｓｅ Ｒａｔｉｏ（以下「ＳＮ比」という。）によって表され、ＳＮ比が小さいほどノイズの電波画像へ影響は大きくなる。
電波画像識別装置１００が取得する電波画像情報は、例えば、レンジドップラマップに限るものではない。
図７Ｂに示すように、電波画像識別装置１００が取得する電波画像情報は、例えば、周波数方向及び時間方向からなる２次元画像によって示されるマイクロドップラスペクトルグラムであっても良い。

図７Ａにおける左側の電波画像は、円錐状の形状をした物体からの反射波のＲＣＳ強度を示したものであり、右側の電波画像は、円柱状の形状をした物体からの反射波のＲＣＳ強度を示したものである。図７Ａにおける各電波画像中の識別目標のＲＣＳ強度は、画像中央の破線により囲んだ閉曲線の内側の領域におけるＲＣＳ強度により示される。一方、当該領域以外の領域におけるＲＣＳ強度により示されるものは、ノイズの影響によるものである。このように、電波画像は、光学画像と比較して、ノイズの影響によるＲＣＳ強度と、識別目標である物体から反射波によるＲＣＳ強度との判別が難しい。

また、図７Ａに示すように、電波画像におけるＲＣＳ強度の値は、光学画像と比較して、輝度値等の変化に伴って急激に変動することがない。そのため、識別目標である物体から反射波によるＲＣＳ強度には、明確な輪郭が存在しない。したがって、輪郭情報又は形状情報等の抽出を行う従来の畳み込み処理では、十分な特徴量を抽出することができない。
しかしながら、電波画像識別装置１００は、識別目標である物体から反射波によるＲＣＳ強度に明確な輪郭が存在しない場合においても、畳み込み処理部１０３が、注目領域におけるＲＣＳ値と、周辺領域におけるＲＣＳ値との差を統計的に比較することにより、ＲＣＳ値が滑らかに変化している場合においても、注目領域と周辺領域と間でＲＣＳ値に差がある場合、当該注目領域に重要な特徴量があるものとして重み付けを大きくすることができる。

実施の形態２．
図８を参照して実施の形態２に係る電波画像学習装置１５０について説明する。
図８は、実施の形態２に係る電波画像学習装置１５０の要部の一例を示すブロック図である。
図８に示すとおり、電波画像学習装置１５０は、例えば、電波画像学習システム１５に適用される。

実施の形態２に係る電波画像学習装置１５０は、実施の形態１に係る電波画像識別装置１００と比較して、モデル更新部１０９がモデル更新部１０９ａに変更され、モデル取得部１０２が削除されたものである。
実施の形態２に係る電波画像学習装置１５０の構成において、実施の形態１に係る電波画像識別装置１００と同様の構成については、同じ符号を付して重複した説明を省略する。すなわち、図１に記載した符号と同じ符号を付した図８の構成については、説明を省略する。

電波画像学習システム１５は、例えば、電波画像学習装置１５０、電波画像出力装置１１、及び記憶装置１２を備える。
電波画像出力装置１１、及び記憶装置１２は、実施の形態１に記載した電波画像出力装置１１、及び記憶装置１２と同等であるため、詳細な説明を省略する。

電波画像学習装置１５０は、電波画像取得部１０１、畳み込み処理部１０３、活性化部１０４、プーリング部１０５、全結合部１０６、結果出力部１０７、評価部１０８、及びモデル更新部１０９ａを備える。
電波画像取得部１０１、畳み込み処理部１０３、活性化部１０４、プーリング部１０５、全結合部１０６、結果出力部１０７、及び評価部１０８は、実施の形態１に記載した電波画像取得部１０１、畳み込み処理部１０３、活性化部１０４、プーリング部１０５、全結合部１０６、結果出力部１０７、及び評価部１０８と同等であるため、詳細な説明を省略する。

評価部１０８は、電波画像学習装置１５０が識別処理におけるクラス分類を行うためのクラスの理想値を予め保持している。
モデル更新部１０９ａは、予め用意された学習前又は一部学習済みのモデルを保持している。
電波画像学習装置１５０は、図８には不図示のモデル取得部１０２ａを備え、モデル更新部１０９ａは、例えば、モデル取得部１０２ａを介して、記憶装置１２に予め用意された学習前又は一部学習済みのモデルを取得するようにしても良い。
モデル更新部１０９ａは、評価部１０８が評価した評価結果に基づいて、モデルに含まれるパラメータを更新することにより、電波画像情報毎にモデルを更新し、更新したモデルを保持する。
また、モデル更新部１０９ａは、更新したモデルを記憶装置１２に出力する。
畳み込み処理部１０３は、モデル更新部１０９ａが保持するモデルに基づいて、電波画像取得部１０１が取得した電波画像情報に基づく特徴マップ情報を生成する。

なお、実施の形態２に係る電波画像学習装置１５０における電波画像取得部１０１、モデル取得部１０２ａ、畳み込み処理部１０３、活性化部１０４、プーリング部１０５、全結合部１０６、結果出力部１０７、評価部１０８、及びモデル更新部１０９ａの各機能は、実施の形態１において図２Ａ及び図２Ｂに一例を示したハードウェア構成におけるプロセッサ２０１及びメモリ２０２により実現されるものであっても良く、又は処理回路２０３により実現されるものであっても良い。

電波画像学習装置１５０における要部の動作は、図６を参照して説明した実施の形態１に係る電波画像識別装置１００の動作と同様であるため、説明を省略する。

以上のように、電波画像学習装置１５０は、電波画像を示す電波画像情報を取得する電波画像取得部１０１と、電波画像情報又は電波画像情報に基づいて生成された特徴マップ情報に、モデルに基づいて、閉曲線により囲まれた領域である注目領域と、注目領域を包含する閉曲線により囲まれた領域から注目領域を除いた領域である周辺領域とを設定し、注目領域と周辺領域との分離度を算出する分離度算出層１３１と、モデルに基づいて、電波画像情報又は特徴マップ情報における注目領域に対して畳み込み処理を実行し、当該畳み込み処理の処理結果に分離度に基づく重み付けを付与することにより特徴マップ情報を生成する注目領域畳み込み層１３２と、を有する１以上の畳み込み処理部１０３と、モデル及び特徴マップ情報に基づいて、クラス分類を行う全結合部１０６と、全結合部１０６がクラス分類した分類結果を出力する結果出力部１０７と、結果出力部１０７が出力した分類結果と、クラス分類における理想値とに基づいて、モデルに含まれるパラメータを評価する評価部１０８と、評価部１０８が評価した評価結果に基づいて、モデルに含まれるパラメータを更新することによりモデルを更新するモデル更新部１０９ａと、を備えた。

このように構成することで、電波画像学習装置１５０は、入力画像が電波画像であっても、高精度の物体識別を行うことためのモデル学習を可能にする。

なお、この発明はその発明の範囲内において、各実施の形態の自由な組み合わせ、あるいは各実施の形態の任意の構成要素の変形、もしくは各実施の形態において任意の構成要素の省略が可能である。

この発明に係る電波画像識別装置及び電波画像学習装置は、電波画像識別システムに適用することができる。

１０ 電波画像識別システム、１１ 電波画像出力装置、１２ 記憶装置、１３ 記憶部、１００ 電波画像識別装置、１０１ 電波画像取得部、１０２ モデル取得部、１０３ 畳み込み処理部、１０４ 活性化部、１０５ プーリング部、１０６ 全結合部、１０７ 結果出力部、１０８ 評価部、１０９，１０９ａ モデル更新部、１３１ 分離度算出層、１３２ 注目領域畳み込み層、２０１ プロセッサ、２０２ メモリ、２０３ 処理回路、１５ 電波画像学習システム、１５０ 電波画像学習装置。

Claims (16)

1. 電波画像を示す電波画像情報を取得する電波画像取得部と、
   前記電波画像情報に基づく識別処理に用いられるモデルを取得するモデル取得部と、
   前記電波画像情報又は前記電波画像情報に基づいて生成された特徴マップ情報に、前記モデルに基づいて、閉曲線により囲まれた領域である注目領域と、前記注目領域を包含する閉曲線により囲まれた領域から前記注目領域を除いた領域である周辺領域とを設定し、前記注目領域と前記周辺領域との分離度を算出する分離度算出層と、前記モデルに基づいて、前記電波画像情報又は前記特徴マップ情報における前記注目領域に対して畳み込み処理を実行し、当該畳み込み処理の処理結果に前記分離度に基づく重み付けを付与することにより前記特徴マップ情報を生成する注目領域畳み込み層と、を有する１以上の畳み込み処理部と、
   前記モデル及び前記特徴マップ情報に基づいて、クラス分類を行う全結合部と、
   前記全結合部が前記クラス分類した分類結果を出力する結果出力部と、
   を備えたこと
   を特徴とする電波画像識別装置。
2. 前記分離度は、前記注目領域と前記周辺領域と間におけるＲＣＳ値の変化量が、前記注目領域と前記周辺領域とを合わせた領域におけるＲＣＳ値の変化量に占める割合であること
   を特徴とする請求項１に記載の電波画像識別装置。
3. 前記畳み込み処理部は、前記分離度が高ければ前記注目領域に付与する重み付けを大きくし、前記分離度が低ければ前記注目領域に付与する重み付けを小さくすること
   を特徴とする請求項１に記載の電波画像識別装置。
4. 前記注目領域の大きさは、学習により更新されることにより、前記電波画像取得部が取得する前記電波画像情報毎に変化すること
   を特徴とする、請求項１に記載の電波画像識別装置。
5. 前記注目領域の形状は、円形であり、当該円形の半径は、学習により更新されることにより、前記電波画像取得部が取得する前記電波画像情報毎に変化すること
   を特徴とする請求項１に記載の電波画像識別装置。
6. 前記畳み込み処理部が前記電波画像情報又は前記特徴マップ情報における前記注目領域に対して前記畳み込み処理を行う際に使用する畳み込みフィルタは、矩形フィルタを加工することにより構成されること
   を特徴とする請求項１に記載の電波画像識別装置。
7. 前記注目領域の形状は、円形、楕円形、卵形、又は角丸長方形であること
   を特徴とする請求項１に記載の電波画像識別装置。
8. 前記結果出力部が出力した前記分類結果と、前記クラス分類における理想値とに基づいて、前記モデルに含まれるパラメータを評価する評価部と、
   前記評価部が評価した評価結果に基づいて、前記モデルに含まれる前記パラメータを更新することにより前記モデルを更新するモデル更新部と、
   を備えたこと
   を特徴とする請求項１から請求項７のいずれか１項に記載の電波画像識別装置。
9. 電波画像を示す電波画像情報を取得する電波画像取得部と、
   前記電波画像情報又は前記電波画像情報に基づいて生成された特徴マップ情報に、モデルに基づいて、閉曲線により囲まれた領域である注目領域と、前記注目領域を包含する閉曲線により囲まれた領域から前記注目領域を除いた領域である周辺領域とを設定し、前記注目領域と前記周辺領域との分離度を算出する分離度算出層と、前記モデルに基づいて、前記電波画像情報又は前記特徴マップ情報における前記注目領域に対して畳み込み処理を実行し、当該畳み込み処理の処理結果に前記分離度に基づく重み付けを付与することにより前記特徴マップ情報を生成する注目領域畳み込み層と、を有する１以上の畳み込み処理部と、
   前記モデル及び前記特徴マップ情報に基づいて、クラス分類を行う全結合部と、
   前記全結合部が前記クラス分類した分類結果を出力する結果出力部と、
   前記結果出力部が出力した前記分類結果と、前記クラス分類における理想値とに基づいて、前記モデルに含まれるパラメータを評価する評価部と、
   前記評価部が評価した評価結果に基づいて、前記モデルに含まれる前記パラメータを更新することにより前記モデルを更新するモデル更新部と、
   を備えたこと
   を特徴とする電波画像学習装置。
10. 前記分離度は、前記注目領域と前記周辺領域と間におけるＲＣＳ値の変化量が、前記注目領域と前記周辺領域とを合わせた領域におけるＲＣＳ値の変化量に占める割合であること
    を特徴とする請求項９に記載の電波画像学習装置。
11. 前記畳み込み処理部は、前記分離度が高ければ前記注目領域に付与する重み付けを大きくし、前記分離度が低ければ前記注目領域に付与する重み付けを小さくすること
    を特徴とする請求項９に記載の電波画像学習装置。
12. 前記注目領域の大きさは、学習により更新されることにより、前記電波画像取得部が取得する前記電波画像情報毎に変化すること
    を特徴とする請求項９に記載の電波画像学習装置。
13. 前記注目領域の形状は、円形であり、当該円形の半径は、学習により更新されることにより、前記電波画像取得部が取得する前記電波画像情報毎に変化すること
    を特徴とする請求項９に記載の電波画像学習装置。
14. 前記畳み込み処理部が前記電波画像情報又は前記特徴マップ情報における前記注目領域に対して前記畳み込み処理を行う際に使用する畳み込みフィルタは、矩形フィルタを加工することにより構成されること
    を特徴とする請求項９に記載の電波画像学習装置。
15. 前記注目領域の形状は、円形、楕円形、卵形、又は角丸長方形であること
    を特徴とする請求項９に記載の電波画像学習装置。
16. 電波画像取得部が、電波画像を示す電波画像情報を取得し、
    モデル取得部が、前記電波画像情報に基づく識別処理に用いられるモデルを取得し、
    畳み込み処理部が有する分離度算出層が、前記電波画像情報又は前記電波画像情報に基づいて生成された特徴マップ情報に、前記モデルに基づいて、閉曲線により囲まれた領域である注目領域と、前記注目領域を包含する閉曲線により囲まれた領域から前記注目領域を除いた領域である周辺領域とを設定し、前記注目領域と前記周辺領域との分離度を算出し、
    前記畳み込み処理部が有する注目領域畳み込み層が、前記モデルに基づいて、前記電波画像情報又は前記特徴マップ情報における前記注目領域に対して畳み込み処理を実行し、当該畳み込み処理の処理結果に前記分離度に基づく重み付けを付与することにより前記特徴マップ情報を生成し、
    全結合部が、前記モデル及び前記特徴マップ情報に基づいて、クラス分類を行い、
    結果出力部が、前記全結合部が前記クラス分類した分類結果を出力すること
    を特徴とする電波画像識別方法。

Images