پویا احمدی؛ طیبه مناقبی؛ حمید عبادی؛ بهنام اصغری بیرامی
چکیده
با توسعه علم سنجش از دور، استفاده از تصاویر هایپراسپکترال روز به روز گسترده تر می شود. طبقه بندی یکی از محبوب ترین موضوعات در سنجش از دور ابرطیفی است. در دو دهه گذشته، تعداد زیادی روش ها برای مقابله با مشکل طبقه بندی داده های هایپراسپکترال پیشنهاد شده است که در پژوهش حاضر از ساختاری مبتنی بر یادگیری شبکه‌های کپسول برای طبقه‌بندی تصاویر ...
بیشتر
با توسعه علم سنجش از دور، استفاده از تصاویر هایپراسپکترال روز به روز گسترده تر می شود. طبقه بندی یکی از محبوب ترین موضوعات در سنجش از دور ابرطیفی است. در دو دهه گذشته، تعداد زیادی روش ها برای مقابله با مشکل طبقه بندی داده های هایپراسپکترال پیشنهاد شده است که در پژوهش حاضر از ساختاری مبتنی بر یادگیری شبکه‌های کپسول برای طبقه‌بندی تصاویر ابر طیفی استفاده شده است، به گونه‌ای که ساختار شبکه بتواند با استفاده از یک لایه کانوولوشنی و یک لایه کپسول بهترین حالت تولید ویژگی‌ها را داشته باشد و در عین حال از بیش‌برازش شبکه بر روی نمونه‌های آموزشی جلوگیری کند. نتایج به دست آمده نشان از کیفیت بالای ویژگی‌های تولیدی در ساختار پیشنهادی دارد. در راستای بهبود دقت طبقه-بندی، رویکرد استخراج ویژگی از طریق شبکه‌ی طراحی‌شده و طبقه‌بندی توسط الگوریتم درخت تقویتی XGBoost، با روش طبقه‌بندی توسط شبکه‌ی عمیق سراسری مقایسه شد تا علاوه بر بررسی و کیفیت‌سنجی ویژگی‌های عمیق برداری تولیدی توسط روش پیشنهادی در طبقه بندی کننده‌های مختلف، میزان توانایی شبکه‌های عمیق سراسری نیز در کاربرد طبقه‌بندی مورد بررسی قرار گیرد. رویکرد کپسول پیشنهادی شامل 3 لایه اساسی: 1) Prime caps که کپسول‌هایی به اندازه 8 و 32 فیلتر 9×9 و گام حرکتی 2 ،2) Digitcaps دارای10 کپسول 16 بعدی و3)لایه تماما متصل می باشد. که نتایج حاصل از بررسی دو رویکرد برای شبکه‌ی عمیق و نیز ترکیب شبکه‌های کپسول با الگوریتم درخت تقویتی XGBoost مقایسه شد. رویکرد های نظیر SVM, RF-200, LSTM, GRU و GRU-Pretanh برای مقایسه ی رویکرد پیشنهادی براساس پیکربندی هایی که در تحقیقات ان ها اشاره شده بود در نظر گرفته شدند. برای ارزیابی مدل پیشنهادی همچنین مجموعه داده ی Indian Pines که شامل 16 کلاس مختلف می باشد مورد استفاده قرار گرفت. با استفاده از روش پیشنهادی ترکیبی، طبقه‌بندی تصاویر با دقت 99 درصد بر روی‌داده‌های آموزش و دقت 5/97 درصد بر روی‌داده‌های تست انجام می‌شود.
طیبه مناقبی؛ یاسر مقصودی؛ محمدجواد ولدان‌زوج
دوره 9، شماره 4 ، مرداد 1396، ، صفحه 59-72
چکیده
این مقاله روشی برای بهبود نتایج حاصل از الگوریتم وارونگی سه‌مرحله‌ای، با استفاده از تکنیک تداخل‌سنجی پلاریمتری راداری و برمبنای مدل دولایه‌ای پراکنش حجمی نامنظم روی سطوح، عرضه می‌کند. در روش مرسوم سه‌مرحله‌ای، مقادیر فاز زمین و ضریب میرایی و ارتفاع لایة حجمی، در یک روند سه‌مرحله‌ای هندسی و بدون نیاز به داده مبنای مدل رقومی ...
بیشتر
این مقاله روشی برای بهبود نتایج حاصل از الگوریتم وارونگی سه‌مرحله‌ای، با استفاده از تکنیک تداخل‌سنجی پلاریمتری راداری و برمبنای مدل دولایه‌ای پراکنش حجمی نامنظم روی سطوح، عرضه می‌کند. در روش مرسوم سه‌مرحله‌ای، مقادیر فاز زمین و ضریب میرایی و ارتفاع لایة حجمی، در یک روند سه‌مرحله‌ای هندسی و بدون نیاز به داده مبنای مدل رقومی ارتفاعی زمین یا اطلاعات اولیه برآورد میشوند. در این روش، برآورد مقادیر میرایی و ارتفاع لایة حجمی، در مرحلة سوم و با جستوجو در فضایی دوبعدی، انجام می‌شود. در الگوریتم بهبودیافتة مطرحشده، معرفی یک شاخص هندسی جدید برمبنای میزان نفوذ سیگنال حجمی در جنگل، دامنة جستوجوی مقدار میرایی در مرحلة سوم را محدود می‌کند. شاخص مطرحشده، در جایگاه اطلاعات کمکی، سبب می‌شود جستوجو در محدودة مناسبتری صورت پذیرد. الگوریتم عرضهشده روی داده‌های پلاریمتری اینترفرومتری تکخطمبنا و تکفرکانس باند L سنجندة ESAR اجرا شد. محدودیت ایجادشده در دامنة مقدار عددی میرایی، در مقایسه با روش سه‌مرحله‌ای، بهبود میانگین دقت 5/2 متر را در ارتفاع برآوردشده نتیجه داد.
