报告题目：基于生成对抗网络GAN的探地雷达图像生成研究
报告时间：2020年11月30日晚上19:30
报告地点：铁道综合实验楼308
报 告 人：侯斐斐
报告摘要：
探地雷达（Ground Penetrating Radar, GPR）剖面数据的采集是GPR数据分析的基础，不管是用于深度学习特征提取的训练数据，还是用于地下目标的参数反演计算，都需要足量的GPR数据。如果数据集太少，会造成训练网络不稳定、参数反演计算不准确等问题。由于电磁波信号衰减，地下介质不均匀等因素，GPR图像往往会出现畸变、错位、缺失等现象，给GPR数据解译工作带来了一定困难，传统的图像处理方法适用性不高。目前也几乎没有公开的GPR数据集，在实测中，收集和存储大型的、异构的雷达数据是相当耗时的。鉴于生成对抗网络（Generative Adversarial Networks, GAN）是一种全新的基于深度学习的图像生成模型，它基于博弈论提出了新的训练方法。相比于传统的图像生成方法，GAN避免了复杂的数据建模过程，通过强大的深度神经网络，不断地去逼近真实数据的数据分布。本报告讲述了将GAN的思想运用到GPR数据制作中，基于Auxiliary Classifier GAN (ACGAN)网络的有监督训练模型和Wasserstein GAN-Gradient Penalty (WGAN-GP)的梯度优化思想，并采用三种不同的ResNet块结构（上采样，下采样，卷积）提升网络性能，同时完成图像分类和图像置信度两个并行任务。提出的GAN网络能够通过模拟模型的分布从而快速生成GPR剖面图，在一定程度上解决了GPR数据测量复杂，仿真耗时等问题，也为今后的雷达数据收集提供了一个新的思路。
