[صفحه اصلی ]   [Archive] [ English ]  
:: صفحه اصلي :: درباره نشريه :: آخرين شماره :: تمام شماره‌ها :: جستجو :: ثبت نام :: ارسال مقاله :: تماس با ما ::
:: دوره 9، شماره 2 - ( 9-1398 ) ::
دوره 9 شماره 2 صفحات 151-170 برگشت به فهرست نسخه ها
ارائه روشی بهینه مبتنی بر یادگیری عمیق به منظور طبقه‌ بندی طیفی ‌مکانی تصاویر با قدرت تفکیک مکانی بالا در مناطق نیمه‌ شهری
سید مهدی موسوی*، حمید عبادی، عباس کیانی
چکیده:   (627 مشاهده)
رشد و پیشرفت روزافزون در شهرسازی و تغییرات سریع در سطح زمین ضرورت بررسی مستمر این تغییرات را افزایش داده است. طبقه‏بندی تصاویرسنجش­ازدوری با قدرت تفکیک بالا می‏تواند بهینه‏ترین راه ممکن در جهت نیل به این هدف باشد. طبقه‏بندی این تصاویر به دلیل شباهت‏های بین کلاسی موجود و هم‏چنین وجود تفاوت‏ها در یک کلاس، همواره با چالش‏هایی روبرو بوده است. وجود این نوع چالش‏ها لزوم به‏کارگیری روش‏های دقیق در زمینه‏ی طبقه‏بندی تصاویر را یادآوری می‏کند. در این مقاله‏ از روش شبکه‏های عصبی کانولوشنی مبتنی بر یادگیری عمیق به منظور طبقه‏بندی تصاویر استفاده گردیده است. دلیل این انتخاب امکان استفاده از ویژگی‏های عمیق و فراگیر توسط روش نام‏برده می‏باشد. در این مقاله، هدف اساسی تعیین ساختاری مبتنی بر شبکه‏های عمیق برای کلاسه‏بندی بهینه‏ی تصاویر هوایی با قدرت تفکیک مکانی بالا است. برای رسیدن به این هدف، جزییات و رویکردهای در نظر گرفته شده برای شبکه از اهمیت بالایی برخوردار است. به همین منظور، ابتدا، شبکه‏ای عمیق به منظور استخراج ویژگی‏های عمیق و بهینه از تصویر هوایی طراحی گردیده است. سپس، برای ارزیابی تاثیرگذاری همسایگی‏های مختلف در تولید ویژگی‏های عمیق بهینه، استخراج ویژگی در پچ‏های تصویری با ابعاد متفاوت، مورد بررسی قرار گرفته است. در انتها، برای بررسی قابلیت طبقه‏بندی روش‏ یادگیری عمیق، در رویکردی متفاوت، از روش ماشین بردار پشتیبان برای طبقه‏بندی براساس ویژگی‏های عمیق تولیدشده، استفاده گردیده است. بررسی و مقایسه نتایج حاصله، تصویر روشنی از قابلیت طبقه‏بندی در روش یادگیری عمیق به نسبت روش مرسوم ماشین بردار پشتیبان، در شرایط مشابه استفاده از ویژگی‏های عمیق ارائه کرده است. جهت ارزیابی روش، از داده‏‏های هوایی با قدرت تفکیک مکانی یک متر در منطقه des moines در ایالات متحده آمریکا و تصویری از منطقه‏ی رویان واقع در استان مازندران استفاده گردیده است. در نهایت نتایج ارزیابی‏ها، بهبود در سه معیار دقت precision، recall و f1-score را در رویکرد استفاده از پچ‏های تصویری بزرگ‏تر را نشان می‏دهد. هم‏چنین استفاده از روش‏های یادگیری عمیق به عنوان استخراج‏کننده ویژگی و طبقه‏بندی تصویر با استفاده از ویژگی‏های عمیق تولیدشده توسط ماشین بردار پشتیبان، در حالت کلی نتایج ارزیابی بهتری به نسبت تولید ویژگی و طبقه‏بندی به صورت یک‏پارچه توسط روش شبکه‏ی عصبی کانولوشنی داشته است.
 
واژه‌های کلیدی: کلاسه‌ بندی تصویر، تصاویر با قدرت تفکیک بالا، استخراج ویژگی، یادگیری عمیق، شبکه عصبی کانولوشنال
متن کامل [PDF 2013 kb]   (160 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: فتوگرامتری و سنجش از دور
ارسال پیام به نویسنده مسئول

ارسال نظر درباره این مقاله
نام کاربری یا پست الکترونیک شما:

CAPTCHA


XML   English Abstract   Print


Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

Mousavi S M, Ebadi H, Kiani A. Provide an Optimal Deep-network Method for Spectral-spatial Classifying of High Resolution Images. JGST. 2019; 9 (2) :151-170
URL: http://jgst.issge.ir/article-1-814-fa.html

موسوی سید مهدی، عبادی حمید، کیانی عباس. ارائه روشی بهینه مبتنی بر یادگیری عمیق به منظور طبقه‌ بندی طیفی ‌مکانی تصاویر با قدرت تفکیک مکانی بالا در مناطق نیمه‌ شهری. نشریه علمی پژوهشی علوم و فنون نقشه برداری. 1398; 9 (2) :151-170

URL: http://jgst.issge.ir/article-1-814-fa.html



دوره 9، شماره 2 - ( 9-1398 ) برگشت به فهرست نسخه ها
نشریه علمی علوم و فنون نقشه برداری Journal of Geomatics Science and Technology