Journal of Geomatics Science and Technology

fa ارائه یک شبکه عصبی عمیق جدید برای استخراج چند مقیاسی ساختمان‌ها از تصاویر سنجش از دوری A novel deep neural network for multi-scale building extraction from remotely-sensed images فتوگرامتری و سنجش از دور Photo&RS پژوهشي Research <div style="text-align: justify;"><a name="_Hlk112058259">امروزه استخراج ساختمان یکی از مهم‌ترین نیاز</a>&lrm;های برنامه‌ریزی برای محیط‌های شهری و روستایی است. استخراج ساختمان‌ها از تصاویر سنجش از دوری به دلیل سرعت بالا و هزینه پائین تهیه و پردازش این نوع از داده به مهمترین داده مورد استفاده در این حوزه تبدیل شده‌است. از بین روش‌های زیادی که برای استخراج ساختمان وجود دارد، شبکه‌های عصبی عمیق بیشتر مورد توجه محققین قرار گرفته‌اند. اما این شبکه‌ها دارای ضعف‌هایی نیز هستند. اکثر مدل‌های موجود، در استخراج چند مقیاسی ساختمان عملکرد ضعیفی دارند. بدین معنا که شبکه‌ها توانایی استخراج ساختمان‌هایی با اندازه‌های مختلف را ندارند. از این‌رو، در این تحقیق، مدلی برای استخراج چند مقیاسی ساختمان طراحی و ارائه شده‌است. مدل پیشنهادی، چالش استخراج چند مقیاسی ساختمان را با استفاده از یک ماژول بهبود نتیجه رفع کرده‌است. ماژول طراحی‌شده با استفاده از پیچش گسترش‌‌یافته زمینه دریافت اطلاعات را افزایش می‌دهد که باعث می‌شود ناپیوستگی در خروجی ساختمان‌های بزرگ پدیدار نشود. استخراج صحیح ساختمان‌های بزرگ توسط ماژول بهبود و ساختمان‌های کوچک و متوسط توسط بدنه اصلی، مدل پیشنهادی را به یک مدل کارآمد تبدیل کرده‌است. برای بررسی عملکرد مدل پیشنهادی، از دو مجموعه داده Massachusetts و WHU استفاده شده است. با آزمایش این دو مجموعه، مدل پیشنهادی با کسب مقادیر 6495/0 و 8572/0 برای معیار IoU بهترین عملکرد را در مقایسه با مدل&lrm;های FCN، U-Net، USPP و DeepLabV3+ نشان داد. بررسی عملکرد ماژول بهبود نشان داد که پس از اضافه کردن این ماژول، مدل پیشنهادی <a name="_Hlk113570983">در </a>معیار IoU به میزان 1077/0 عملکرد بهتری نسبت به مدل بدون ماژول نشان می‌دهد. نتایج همچنین نشان داد که مدل پیشنهادی در استخراج ساختمان‌های بزرگ، برتری قابل توجهی نسبت به سایر مدل‌ها دارد که نشان از عملکرد موفق ماژول طراحی شده‌است. </div> <div style="text-align: justify;">Building extraction is one of the most crucial requirements of urban planning. Due to their availability and affordable cast, high-resolution remotely sensed images are often used for building extraction. Owing to their impressive performances, Deep learning techniques have attracted the attention of researchers for building extraction from high-resolution images. Nevertheless, most existing models perform poorly in recovering spatial details and discriminating buildings with various sizes and shapes. Hence, this paper proposes an improvement module to address the problems associated with multi-scale building extraction. The proposed module uses dilated convolutions to increase the receiving information area to reduce the discontinuities in the results of large buildings. Extracting large buildings using the proposed module and small buildings using the main architecture of the network has turned the proposed network into an effective method for building extraction. The results of the experiments showed that the proposed module with the IoU of 0.6495 and 0.8572 for Massachusetts and WHU data sets outperformed FCN, U-Net, USSP, and DeepLab V3+. The performance analysis of the proposed module also showed that this module was able to improve the performance of building extraction considering the IoU metric by 0.1077.</div> استخراج ساختمان, تصاویر سنجش از دوری, یادگیری عمیق, پردازش چند مقیاسی Building extraction, neural networks, remote sensing images, deep learning, multi-scale analysis 13 26 http://jgst.issgeac.ir/browse.php?a_code=A-10-1043-1&slc_lang=fa&sid=1 Mohammad Parsaei محمد پارسائی mohammadparsaei96@email.com 10031947532846009986 10031947532846009986 No Department of surveying engineering, faculty of civil and surveying engineering, Graduate university of advanced technology, Kerman, Iran گروه مهندسی نقشه‌برداری - دانشکده عمران و نقشه‌برداری - دانشگاه تحصیلات تکمیلی صنعتی و فناوری پیشرفته Saeid Niazmardi سعید نیازمردی s.niazmardi@kgut.ac.ir 10031947532846009987 10031947532846009987 Yes Department of surveying engineering, faculty of civil and surveying engineering, Graduate university of advanced technology, Kerman, Iran گروه مهندسی نقشه‌برداری - دانشکده عمران و نقشه‌برداری - دانشگاه تحصیلات تکمیلی صنعتی و فناوری پیشرفته Ali Esmaeily علی اسماعیلی گازکهنی aliesmaeily@hotmail.com 10031947532846009988 10031947532846009988 No Department of surveying engineering, faculty of civil and surveying engineering, Graduate university of advanced technology, Kerman, Iran گروه مهندسی نقشه‌برداری - دانشکده عمران و نقشه‌برداری - دانشگاه تحصیلات تکمیلی صنعتی و فناوری پیشرفته