Deep learning models for SAR imaging results interpretation
- In this paper, the authors present a fast framework for image classification using Synthetic Aperture Radar (SAR) based on the Xilinx PYNQ platform. Various experiments have taken place to prepare the SAR dataset, and a designed Convolutional Neural Network (ConvNet) has been integrated on PYNQ. These experiments include two main applications of SAR imaging, namely the non-destructive testing of 3D printed objects and the ground penetrating radar (GPR). The ConvNet is first trained with a larger dataset and then the learned features are transferred to the limited SAR dataset by applying various transfer learning techniques. The designed model is then processed using the PYNQ platform, and the results obtained indicate an outstanding improvement in time processing while maintaining classification accuracy.
- In dieser Arbeit präsentieren die Autoren einen schnellen Rahmen für die Bildklassifikation mit dem Synthetischen Apertur-Radar (SAR) auf der Basis der Xilinx PYNQ-Plattform. Zur Vorbereitung des SAR-Datensatzes haben verschiedene Experimente stattgefunden, und ein entworfenes Convolutional Neural Network (ConvNet) wurde auf PYNQ integriert. Diese Experimente umfassen zwei Hauptanwendungen der SAR-Bildgebung, nämlich die zerstörungsfreie Prüfung von gedruckten 3D-Objekten und das Ground penetrating Radar (GPR). Das ConvNet wird zunächst mit einem größeren Datensatz trainiert und dann werden die gelernten Merkmale durch Anwendung verschiedener Techniken des Transfer-Lernen auf den begrenzten SAR-Datensatz übertragen. Das entworfene Model wird dann unter Verwendung der PYNQ-Plattform verarbeitet, und die erzielten Ergebnisse weisen auf eine herausragende Verbesserung der Zeitverarbeitung bei gleichzeitiger Beibehaltung der Klassifikationsgenauigkeit hin.
Author: | Mostafa ElsaadounyGND |
---|---|
URN: | urn:nbn:de:hbz:294-77046 |
DOI: | https://doi.org/10.13154/294-7704 |
Referee: | Ilona RolfesGND, Nils PohlORCiDGND |
Document Type: | Doctoral Thesis |
Language: | English |
Date of Publication (online): | 2021/01/11 |
Date of first Publication: | 2021/01/11 |
Publishing Institution: | Ruhr-Universität Bochum, Universitätsbibliothek |
Granting Institution: | Ruhr-Universität Bochum, Fakultät für Elektrotechnik und Informationstechnik |
Date of final exam: | 2020/11/27 |
Creating Corporation: | Fakultät für Elektrotechnik und Informationstechnik |
GND-Keyword: | Signalverarbeitung; Elektromagnetische Reflexionsmethode; Deep learning; Field programmable gate array; Synthetische Apertur |
Institutes/Facilities: | Institut für Hochfrequenztechnik, Arbeitsgruppe Antennen und Wellenausbreitung |
Dewey Decimal Classification: | Technik, Medizin, angewandte Wissenschaften / Elektrotechnik, Elektronik |
faculties: | Fakultät für Elektrotechnik und Informationstechnik |
Licence (German): | Keine Creative Commons Lizenz - es gelten der Veröffentlichungsvertrag und das deutsche Urheberrecht |