[صفحه اصلی ]   [Archive] [ English ]  
:: صفحه اصلي :: درباره نشريه :: آخرين شماره :: تمام شماره‌ها :: جستجو :: ثبت نام :: ارسال مقاله :: تماس با ما ::
:: دوره 11، شماره 4 - ( 3-1401 ) ::
دوره 11 شماره 4 صفحات 82-67 برگشت به فهرست نسخه ها
بهره گیری از یک شبکه عصبی پیچشی باقیمانده عمیق پالایش شده به منظور ارزیابی و مقایسه دقت آشکارسازی عارضه راه حاصل از تصاویر راداری سنتینل 1 (مطالعه موردی: کلان‌شهرهای تهران و شیراز)
پرویز ضیائیان فیروزآبادی، سید هدایت شیخ قادری*، منوچهر کلارستاقی
چکیده:   (336 مشاهده)
در سال­های اخیر آشکارسازی و استخراج عارضه­ راه از تصاویر ماهواره­ای با پیشرفت و توسعه­ی الگوریتم­های یادگیری عمیق در بخش تقسیم­بندی معنایی بیش‌ازپیش موردتوجه پژوهشگران قرارگرفته است. در این راستا بیشتر مطالعات انجام‌شده درزمینه‌ آشکارسازی و شناسایی عارضه­ راه با استفاده از تصاویر اپتیک بوده و در این میان مطالعات معدودی با استفاده از تصاویر راداری در سطح جهان انجام‌ شده است. لذا هدف این مقاله بهره­گیری از یک شبکه عصبی پیچشی باقیمانده عمیق پالایش­شده (RDRCNN) به­منظور ارزیابی و مقایسه دقت آشکارسازی عارضه­­ راه حاصل از تصاویر راداری سنتینل 1 در کلان‌شهرهای تهران و شیراز در شرایط برابر ازنظر تعداد نمونه­های آموزشی، اعتبارسنجی و معماری یکسان می­باشد. در این تحقیق جهت آشکارسازی عارضه­ راه با استفاده از شبکه­های عصبی عمیق (DNN)، از ترکیب رنگی VV-VH تصاویر راداری سنتینل 1 از 8 شهر مختلف (تهران، مشهد، اصفهان، شیراز، تبریز،، ارومیه، بغداد و پکن) بهره گرفته شد. درنهایت برای آموزش و آشکارسازی عارضه­ راه از مدل RDRCNN با داشتن یک واحد متصل باقی‌مانده (RCU) و یک واحد ادراک متسع شده (DPU) استفاده شد. یافته­های پژوهش حاکی از آن است که مدل RDRCNN در فرایند شناسایی و آشکارسازی راه در دو شهر تهران و شیراز تقریباً یکسان عمل کرده و به‌طورکلی مدل فوق در شهر شیراز اندکی بهتر عمل نموده است؛ به صورتی­که ازنظر متریک­های ارزیابی صحت برای تصاویر شهر تهران معیارهای کامل­بودن 57.66%، صحت 51.29%، امتیاز F1 54.43% و دقت کلی 92.78% و برای تصاویر شهر شیراز معیارهای کامل­بودن 60.77%، صحت 54.71%، امتیاز F1 57.40% و دقت کلی 95.63% به دست آمد. یافته­های این پژوهش دقت پایین آموزش و آشکارسازی عارضه­ راه از تصاویر راداری سنتینل 1 برای دو مورد از کلان‌شهرهای ایران را نشان می­دهد. به‌طورکلی با مقایسه نتایج حاصل از این پژوهش و مطالعات قبلی می­توان به این مورد پی برد که یکی از مهم‌ترین علل دقت پایین نتایج، کم­عرض بودن راه­ها در شهرهای ایران می­باشد؛ اما به علت فقدان مطالعات لازم در زمینه‌ی آشکارسازی عارضه­ راه با تصاویر راداری سنتینل 1، نمی­توان با قاطعیت در مورد نتایج آن اظهارنظر کرد و پیشنهاد می­شود مطالعات بیشتری در این زمینه انجام گیرد.
 
شماره‌ی مقاله: 6
واژه‌های کلیدی: یادگیری عمیق، RDRCNN، سنتینل 1، آشکارسازی راه، تهران، شیراز
متن کامل [PDF 2076 kb]   (213 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:

Zeaiean firouzabadi P, Sheikhghaderi S H, Kelarestaghi M. Utilization of a deeply Refined Deep Residual Convolutional Neural Network to evaluate and compare the accuracy of Road detection from Sentinel 1 radar images (Case study: Tehran and Shiraz metropolises). JGST 2022; 11 (4) :67-82
URL: http://jgst.issge.ir/article-1-1062-fa.html

ضیائیان فیروزآبادی پرویز، شیخ قادری سید هدایت، کلارستاقی منوچهر. بهره گیری از یک شبکه عصبی پیچشی باقیمانده عمیق پالایش شده به منظور ارزیابی و مقایسه دقت آشکارسازی عارضه راه حاصل از تصاویر راداری سنتینل 1 (مطالعه موردی: کلان‌شهرهای تهران و شیراز). نشریه علمی پژوهشی علوم و فنون نقشه برداری 1401; 11 (4) :82-67

URL: http://jgst.issge.ir/article-1-1062-fa.html



بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.
دوره 11، شماره 4 - ( 3-1401 ) برگشت به فهرست نسخه ها
نشریه علمی علوم و فنون نقشه برداری Journal of Geomatics Science and Technology