[صفحه اصلی ]   [Archive] [ English ]  
:: صفحه اصلي :: درباره نشريه :: آخرين شماره :: تمام شماره‌ها :: جستجو :: ثبت نام :: ارسال مقاله :: تماس با ما ::
:: دوره 8، شماره 1 - ( 6-1397 ) ::
دوره 8 شماره 1 صفحات 221-237 برگشت به فهرست نسخه ها
طبقه‌بندی اطلاعات سنجنده‌های مرئی-حرارتی هوایی مبتنی بر مدل‌های یادگیری ژرف
قاسم عبدی*، فرهاد صمدزادگان
چکیده:   (1881 مشاهده)
با رشد و توسعه سیستم‌های تصویربرداری هوابرد و یا فضابرد در حوزه سنجش از دور، ادغام اطلاعات سنجنده‌های چندگانه به منظور دستیابی به دانش تکمیلی نسبت به عوارض و به پیرو آن طبقه‌بندی دقیق داده‌های سنجش از دور مورد توجه بسیاری از محققین این حوزه و مهندسی علوم زمین قرار گرفته است. از سوی دیگر، مدل‌های یادگیری ژرف با افزایش سطح اتوماسیون و همچنین بهبود دقت طبقه‌بندی تصاویر با بهره‌گیری از روش‌های استخراج ویژگی ژرف، تبدیل به یکی از موضوعات پرمخاطب در حوزه پردازش تصاویر شده است. در این تحقیق، روشی نوین به منظور طبقه‌بندی دقیق اطلاعات سنجنده‌های چندگانه مبتنی بر مدل‌های یادگیری ژرف ارائه شده است. در این زمینه، ویژگی‌های ژرف با در نظرگیری بعد طیفی-مکانی داده‌های ورودی استخراج، و سپس یک طبقه‌بندی کننده فازی جهت آموزش این ویژگی‌ها و همچنین بهینه‌سازی مدل یادگیری ژرف استفاده می‌گردد. پس از طبقه‌بندی داده‌های ورودی به‌صورت جداگانه، با بکارگیری برخی قوانین در سطح تصمیمات اتخاذ شده، اطلاعات به‌دست آمده با یکدیگر ادغام شده و در نهایت، پس‌پردازشی مبتنی بر وابستگی‌های متقابل بین عوارض در قالب اطلاعات زمینه خارجی به منظور افزایش دقت نتایج طبقه‌بندی مورد استفاده قرار می‌گیرد. به منظور ارزیابی توان اجرایی روش پیشنهادی در این تحقیق، مجموعه‌ای از آزمون‌های مقایسه‌ای بر داده‌های منتشر شده توسط کمیته فنی تلفیق داده‌ها و آنالیز تصاویر جامعه بین‌المللی سنجش از دور و مهندسی علوم زمین در سال 2014 میلادی، صورت گرفته است. در مقایسه روش‌‌های طبقه‌بندی مبتنی بر مدل‌های یادگیری ژرف با طبقه‌بندی کننده‌های مرسوم، دقت کلی طبقه‌بندی اطلاعات سنجنده‌ی مرئی %3.91، فراحرارتی %6.65 و چندگانه %2.81 بهبود یافته است. به‌علاوه، در نظرگیری وابستگی‌های متقابل بین عوارض در قالب اطلاعات زمینه خارجی و یا قوانین پس‌پردازشی به منظور کاهش و یا حذف خطاهای مرسوم روش‌های طبقه‌بندی پیکسل‌مبنا، موجب بهبود دقت کلی %2.71 می‌گردد. همچنین، در مقایسه روش پیشنهادی طبقه‌بندی اطلاعات سنجنده‌های چندگانه با طبقه‌بندی کننده‌های اطلاعات سنجنده‌ی مرئی و یا فراحرارتی، دقت کلی طبقه‌بندی %7.57 و %22.22 بهبود یافته است.
واژه‌های کلیدی: ادغام در سطح تصمیم‌گیری، تصاویر حرارتی، شبکه عصبی اتوانکدر، شبکه‌ عصبی کانولوشن، یادگیری ژرف
متن کامل [PDF 1621 kb]   (652 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:

Abdi G, Samadzadegan F. Classification of Aerial Visible-Thermal Data Based on Deep Learning Models. JGST. 2018; 8 (1) :221-237
URL: http://jgst.issge.ir/article-1-709-fa.html

عبدی قاسم، صمدزادگان فرهاد. طبقه‌بندی اطلاعات سنجنده‌های مرئی-حرارتی هوایی مبتنی بر مدل‌های یادگیری ژرف. نشریه علمی پژوهشی علوم و فنون نقشه برداری. 1397; 8 (1) :221-237

URL: http://jgst.issge.ir/article-1-709-fa.html



دوره 8، شماره 1 - ( 6-1397 ) برگشت به فهرست نسخه ها
نشریه علمی علوم و فنون نقشه برداری Journal of Geomatics Science and Technology