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.
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.issgeac.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. علوم و فنون نقشه برداری. 1400; 11 (1) :35-50
