将生成对抗网络应用于智能地下成像与识别
图像与视频处理
2019-06-05 v1 机器学习
摘要
为了扩充探地雷达（GPR）数据分类与识别中机器学习模型的训练数据，本论文聚焦于使用生成对抗网络（GAN）生成真实的 GPR 数据。提出了一种用于生成 GPR B-scan 的创新 GAN 架构，据作者所知，这是 GAN 在 GPR B-scan 上的首次成功应用。作为主要贡献之一，通过融合频域与时域特征构建了一种新的损失函数。为测试所生成 B-scan 的有效性，提出了一种实时目标分类器来衡量由扩充的 B-scan 图像带来的性能提升。数值实验表明，基于扩充的训练数据，所提出的 GAN 架构使目标分类器的准确率显著提升（从 82% 到 98%）。
引用
@article{arxiv.1905.13321,
title = {Applying Generative Adversarial Networks to Intelligent Subsurface Imaging and Identification},
author = {William Rice},
journal= {arXiv preprint arXiv:1905.13321},
year = {2019}
}
备注
Master's thesis, Networked Intelligence lab in the University of Tennessee at Chattanoogaâs Sim Center (2019)