ناصر فرجزاده؛ هیوا ابراهیمزاده
چکیده
توسعة سیستمهای خودکار تشخیص جاده و ساختمان در تصاویر هوایی همواره با چالشهای مهمی مانند متفاوتبودن ظاهر ساختمانها، تغییرات روشنایی، زاویة تصویربرداری و فشرده و چگالبودن جادهها و ساختمانها در نواحی شهری روبهروست. در چند سال اخیر، استفاده از شبکههای عصبی مصنوعی چندلایه (شبکههای عصبی عمیق) مورد توجه بسیاری از پژوهشگران ...
بیشتر
توسعة سیستمهای خودکار تشخیص جاده و ساختمان در تصاویر هوایی همواره با چالشهای مهمی مانند متفاوتبودن ظاهر ساختمانها، تغییرات روشنایی، زاویة تصویربرداری و فشرده و چگالبودن جادهها و ساختمانها در نواحی شهری روبهروست. در چند سال اخیر، استفاده از شبکههای عصبی مصنوعی چندلایه (شبکههای عصبی عمیق) مورد توجه بسیاری از پژوهشگران این حوزه (و حوزههای مشابه) قرار گرفته و نتایج خیرهکنندهای با بهکارگیری آنها حاصل شده است. باوجوداین، بهدلیل استفاده از لایههای کاملاً متصل در راهکارهای دادهشده، میانگین مدت زمان پردازش هنوز بسیار زیاد است و مدل ساختهشده نیز بهسرعت دچار پدیدة بیشبرازش میشود. علاوهبراین، در بیشتر روشهای پیشنهادی، برای تفسیر تصاویر هوایی براساس چنین راهکاری از رویکرد تککلاس استفاده شده است. بهعبارتی، تشخیص جادهها و ساختمانها از عوارض طبیعی بهطور همزمان امکانپذیر نیست و لازم است مدلهای جداگانهای برای تشخیص هریک از آنها ایجاد شود. هدف اصلی، در این پژوهش، طراحی معماری جدیدی است که مدل ساختهشده با استفاده از آن بتواند، همزمان، جادهها و ساختمانها را از عوارض طبیعی تشخیص دهد و بهاینترتیب، پیچیدگی عمل طبقهبندی را به حداقل برساند. همچنین، در طراحی معماری پیشنهادی، حذف لایههای کاملاً متصل از معماری چندلایهای مرسوم و در نتیجه، کاهش میانگین مدت زمان پردازش مورد توجه قرار گرفته است. نتایج آزمایشهای انجامگرفته روی بانک تصاویر هوایی ماساچوست نشان میدهد عملکرد معماری پیشنهادی %۳۸ سریعتر از دیگر روشهای مبتنیبر شبکههای عصبی چندلایه بوده است و دقت تشخیص را بهطور میانگین، %۲ افزایش میدهد.
ناصر فرجزاده؛ مهدی هاشم زاده
چکیده
تصاویر هوایی ثبتشده توسط ماهوارهها و یا پهپادها، معمولا شامل نواحی مربوط به منابع طبیعی و نواحی حاوی سازههای ساخت بشر است. با تفکیک این نواحی از یکدیگر، قادر خواهیم بود اطلاعات مهمی نظیر آرایش ساختاری سطوح و شکل آنها را استخراج و نقشههای هواییِ برچسبدار ایجاد کنیم. دستیابی به چنین اطلاعاتی میتواند کاربردهای بسیار مفیدی ...
بیشتر
تصاویر هوایی ثبتشده توسط ماهوارهها و یا پهپادها، معمولا شامل نواحی مربوط به منابع طبیعی و نواحی حاوی سازههای ساخت بشر است. با تفکیک این نواحی از یکدیگر، قادر خواهیم بود اطلاعات مهمی نظیر آرایش ساختاری سطوح و شکل آنها را استخراج و نقشههای هواییِ برچسبدار ایجاد کنیم. دستیابی به چنین اطلاعاتی میتواند کاربردهای بسیار مفیدی در زمینههای نظامی، شهری و زیست محیطی داشته باشد. از آنجاییکه پردازش حجم عظیمی از تصاویر بهدست آمده از ماهوارهها و پهپادها بصورت دستی امکانپذیر نیست، لذا استفاده از روشهای خودکارِ مبتنی بر هوش مصنوعی در این حوزه، بسیار مورد توجه قرار گرفته است. تاکنون پژوهشهای متعددی در اینباره انجام شده است که از اهم آنها میتوان به شناسایی ساختمانها، وسایل نقلیه، جادهها و همچنین تشخیص ساختار پوشش گیاهی در تصاویر هوایی اشاره کرد. در این مقاله، قصد داریم با معرفی مجموعهای از ویژگیهای آماری مبتنی بر رنگ که به سادگی قابل استخراج از تصاویر هوایی هستند و با استفاده از یک مدل مبتنی بر یادگیری، راهکاری کارآمد برای تشخیص دقیق و سریع سازههای ساخت بشر و تفکیک آنها از منابع طبیعی ارایه دهیم. نتایج آزمایشهای انجام گرفته بر روی بانک تصاویر ماساچوست که بهصورت عمومی، قابل دسترس است، نشان دهنده دقت مناسب و سرعت عمل بالای راهکار پیشنهادی است. بهطوریکه، دقت و میانگین سرعت پردازش بهدست آمده بهترتیب برابر با ٪۰۷/۹۰ و 96/0 ثانیه است.