ارائه روشی بهینه مبتنی بر یادگیری عمیق به منظور طبقه‌ بندی طیفی ‌مکانی تصاویر با قدرت تفکیک مکانی بالا در مناطق نیمه‌ شهری

موسوی, سید مهدی; عبادی, حمید; کیانی, عباس

[صفحه اصلی ]

[Archive] [ English ]

Journal of Geomatics Science and Technology

بخش‌های اصلی

صفحه اصلی

اطلاعات نشریه

برای نویسندگان

آرشیو مجله و مقالات

داوری تخصصی

تماس با ما

امکانات پایگاه

جستجو در پایگاه

دریافت اطلاعات پایگاه

پایگاه های نمایه کننده

آمار سایت

تعداد مشاهده ی مقالات: 3582354

مقالات منتشر شده: 694

نرخ پذیرش: 73.13

نرخ رد: 17.92

میانگین دریافت تا تصمیم‌گیری اولیه: 5 تا 10 روز
میانگین دریافت تا پذیرش: 193 روز

____

دوره 9، شماره 2 - ( 9-1398 )

دوره 9 شماره 2 صفحات 170-151

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: (4724 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] (2873 دریافت)

نوع مطالعه: پژوهشي | موضوع مقاله: فتوگرامتری و سنجش از دور
دریافت: 1397/8/29 | پذیرش: 1398/6/8

ارسال پیام به نویسنده مسئول

ارسال نظر درباره این مقاله

‎ 20.1001.1.2322102.1398.9.2.10.6

Mendeley

Zotero

RefWorks

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.issgeac.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. , علوم و فنون نقشه برداری. 1398; 9 (2) :151-170

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

بازنشر اطلاعات
	این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.

دوره 9، شماره 2 - ( 9-1398 )

برگشت به فهرست نسخه ها