[صفحه اصلی ]   [Archive] [ English ]  
:: صفحه اصلي :: درباره نشريه :: آخرين شماره :: تمام شماره‌ها :: جستجو :: ثبت نام :: ارسال مقاله :: تماس با ما ::
:: دوره 11، شماره 1 - ( 6-1400 ) ::
دوره 11 شماره 1 صفحات 50-35 برگشت به فهرست نسخه ها
توسعه مدلی مبتنی بر تشدید گرادیان در شبکه های کانولوشنی عمیق به‌منظور شناسایی اهداف در تصاویر سنجش ازدوری
نیما فرهادی*، عباس کیانی، حمید عبادی
چکیده:   (238 مشاهده)
پیشرفت­های صورت گرفته در فناوری تصویر­برداری ماهواره­ای امکان تهیه اطلاعات متنوع برای شناسایی اهداف را فراهم می­کند. چنین اطلاعاتی فرآیند تفسیر تصاویر سنجش­از­دوری نوری را تسهیل می­بخشد. نوع خاصی از این تفاسیر به فعالیت­های مربوط به شناسایی اهداف ختم می­شود که امروزه اکثر تحقیقات انجام­شده در این حوزه با استفاده از شبکه­های عصبی و تکنیک­های یادگیری عمیق صورت می­گیرد. نحوه طراحی شبکه عصبی کانولوشن مورداستفاده، در دقت شناسایی نقش بسزایی دارد. تحقیقات اخیر درزمینه یادگیری عمیق و شبکه‌های کانولوشن نشان می‌دهد که عمیق‌تر کردن این شبکه‌ها باعث افزایش دقت آن‌ها می‌شود؛ اما گاهی بیش‌ازحد عمیق‌تر شدن باعث به وجود آمدن مشکلاتی ازجمله بالا رفتن پارامترهای آموزشی، محو شدن گرادیان آموزشی، بلااستفاده ماندن بسیاری از ویژگی‌های تولیدشده و... می‌شود که در پی آن کاهش دقت در شناسایی اهداف موردنظر را خواهد داشت. به این منظور در این تحقیق روشی توسعه داده‌شده است که در آن سعی گردید با حفظ ویژگی­های تولیدشده توسط لایه­های کانولوشن و انتقال آن­ها به لایه­های بعدی، بر این مشکل غلبه گردد. این نوع ارتباط بین لایه‌ها، اجازه عمیق‌تر کردن شبکه‌های کانولوشنی با افت گرادیان کمتر را می‌دهد. معماری ارائه‌شده علاوه بر کم­رنگ کردن مشکل ناپدید شدن گرادیان، باعث می‌شود تعداد پارامترها و همچنین مدت‌زمان موردنیاز برای آموزش یک مدل یادگیری عمیق کاهش یابد. بدین منظور در ابتدا با استفاده از تصاویر سنجش‌ازدوری، مجموعه‌ای از داده­های آموزشی آماده و پس از پردازش‌های اولیه، عوارض هدف برچسب‌گذاری شده است. سپس روش پیشنهادشده را به‌عنوان استخراج گر ویژگی مدل Faster R-CNN تعریف کرده و بر روی داده­های آموزشی، آموزش داده می­شود. جهت ارزیابی روش پیشنهادی نیز، بخشی از فرودگاه بین‌المللی پکن چین به‌عنوان مطالعه موردی اول و بخشی از فرودگاه بین­المللی امام خمینی (ره) به‌عنوان منطقه موردمطالعه دوم انتخاب‌شده است و مقادیر معیار F1-Measure برای هر دو منطقه به ترتیب برابر 9/97 و 7/93 می­باشد. درنهایت نتایج حاصله از اعمال مدل پیشنهادی، با مدل‌های مختلف شبکه مطرح موجود، مقایسه شده است. نتایج به‌دست‌آمده، دلالت­ بر قابل‌اعتماد بودن و مؤثر بودن روش ارائه­شده دارند.
واژه‌های کلیدی: یادگیری عمیق، شبکه‌های کانولوشن، شناسایی اهداف سنجش‌ازدوری، استخراج گر ویژگی
متن کامل [PDF 2718 kb]   (93 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:

Farhadi N, Kiani A, Ebadi H. Development of a Model based on Gradient Resonance in Deep Convolutional Networks to Identify Targets in Remote Sensing Images. JGST. 2021; 11 (1) :35-50
URL: http://jgst.issge.ir/article-1-871-fa.html

فرهادی نیما، کیانی عباس، عبادی حمید. توسعه مدلی مبتنی بر تشدید گرادیان در شبکه های کانولوشنی عمیق به‌منظور شناسایی اهداف در تصاویر سنجش ازدوری. نشریه علمی پژوهشی علوم و فنون نقشه برداری. 1400; 11 (1) :50-35

URL: http://jgst.issge.ir/article-1-871-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 1 - ( 6-1400 ) برگشت به فهرست نسخه ها
نشریه علمی علوم و فنون نقشه برداری Journal of Geomatics Science and Technology