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.