Journal of Geomatics Science and Technology

fa شناسایی تغییرات تصاویر سنجش‌ازدوری با استفاده از روش های یادگیری عمیقِ دوجریانه Changes detection of remote sensing images using two-stream two-stream deep neural network فتوگرامتری و سنجش از دور Photo&RS پژوهشي Research <div style="text-align: justify;">شناسایی تغییرات تصاویر سنجش‌ازدور دارای نقش مهمی در بسیاری از برنامه‌های کاربردی مانند بررسی رشد شهرنشینی، نظارت بر تغییرات کاربری زمین، ارزیابی بلایا و آسیب‌های طبیعی ایفا می‌کند. در این فرایند هدف، تعیین برچسب تغییر کرده یا نکرده برای پیکسل‌های دو تصویر می‌باشد که از یک مکان ولی در دو زمان متفاوت گرفته‌شده است. همین‌طور در دهه اخیر استفاده از روش‌های یادگیری عمیق به دلیل عملکرد مناسبی که در تفسیر و پردازش داده‌های سنجش‌ازدوری دارند و همین‌طور توانایی حذف مهندسی ویژگی و استخراج ویژگی‌های سطح بالا از تصاویر، موردتوجه بسیاری از محققان این حوزه قرارگرفته است. در همین راستا، در این مقاله یک مدل یادگیری عمیق بهینه طراحی‌شده است که به دلیل ساختار سلسله‌مراتبی، طراحی مؤثر انتقال ویژگی و بهرهوری مناسب از ویژگی‌های چندمقیاسه، دقت شناسایی تغییرات تصاویر دو زمانه را افزایش می‌دهد. مدل پیشنهادی به دلیل ساختار و معماری بهینه نسبت به برخی مدل‌های مشهور موجود مانند BIT از سرعت و دقت نتایج بالاتری برخوردار است. نتایج به‌دست‌آمده از اعمال مدل پیشنهادی بر روی دو مجموعه دادهی مورد بررسی، نسبت به روش مقایسهای BIT بهطور میانگین حاکی از دقت کلی حدود 96 درصد و کاهش 10 درصدی میزان محاسبات ضرب و جمع می‌باشد.</div> <div style="text-align: justify;">Identification of changes in remote sensing images plays an important role in many applications, such as monitoring the growth of urbanization, land use changes, and assessing disasters and natural damages. This process aims to assign the label "changed" or "not changed" to the pixels of two images taken from the same place but at two different times. On the other hand, in the last decade, deep learning methods have attracted the attention of many researchers in this field due to their proper performance in interpreting and processing remote sensing data and the ability to remove feature engineering and extract high-level features from images. In this regard, in this article, an optimal deep learning model has been designed, which increases the accuracy of identifying changes in two-time images due to its hierarchical structure, appropriate efficiency of multiscale features, and effective design of feature transfer. Due to the optimal structure and architecture, the proposed model has higher speed and accuracy of results compared to some popular models such as BIT. Applying the proposed model to the two data sets under investigation indicates an average accuracy of 96% and less complex calculations.</div> شناسایی تغییرات, سنجش از دور, یادگیری عمیق, تصاویر دو‌زمانه, شبکه‌های عصبی دوجریانه. change detection, remote sensing, deep learning, two-time images, two-stream neural networks. 55 68 http://jgst.issgeac.ir/browse.php?a_code=A-10-454-3&slc_lang=fa&sid=1 Yeganeh Hasanzadeh یگانه حسن زاده yeganehasanzadeh3971@gmail.com 10031947532846009994 10031947532846009994 No Dept. of Geomatics, Faculty of Civil Engineering, Babol Noshirvani University of Technology. دانشگاه صنعتی نوشیروانی بابل Abbas Kiani عباس کیانی a.kiani@nit.ac.ir 10031947532846009995 10031947532846009995 Yes Dept. of Geomatics, Faculty of Civil Engineering, Babol Noshirvani University of Technology. گروه مهندسی نقشه‌برداری - دانشکده عمران - دانشگاه صنعتی نوشیروانی بابل Nima Farhadi نیما فرهادی Farhadinima75@email.kntu.ac.ir 10031947532846009996 10031947532846009996 No Faculty of Geodesy and Geomatics, K. N. Toosi University of Technology دانشکده مهندسی نقشه‌برداری، دانشگاه صنعتی خواجه نصیرالدین طوسی