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.
سیدیوسف عرفانی فرد؛ زهره خدایی
دوره 4، شماره 4 ، اسفند 1391
چکیده
از آنجایی که درصد تراکم تاج پوشش از متغیرهای مهم زیست سنجی در مدیریت جنگل به شمار می آید، یافتن راهکاری مناسب برای برآورد آن اهمیت زیادی دارد. مطالعه این مشخصه در جنگل در داده های سنجش از دور، به دلیل فراهم آمدن امکان دید از بالا، با صحت و دقتی بالاتر از اندازه گیری های میدانی همراه است. یکی از پرکاربردترین روش های مورد استفاده بدین ...
بیشتر
از آنجایی که درصد تراکم تاج پوشش از متغیرهای مهم زیست سنجی در مدیریت جنگل به شمار می آید، یافتن راهکاری مناسب برای برآورد آن اهمیت زیادی دارد. مطالعه این مشخصه در جنگل در داده های سنجش از دور، به دلیل فراهم آمدن امکان دید از بالا، با صحت و دقتی بالاتر از اندازه گیری های میدانی همراه است. یکی از پرکاربردترین روش های مورد استفاده بدین منظور روی داده های سنجش از دور، شبکه نقطه چنی است. این پژوهش با هدف ارزیابی صحت و دقت روش یاد شده، با استفاده از تصاویر هوایی UltraCam-D انجام گرفته است. منطقه ای به مساحت 30 هکتار از جنگل های زاگرس در استان کهگیلویه و بویراحمد به عنوان منطقه مورد مطالعه انتخاب گردید و آماربرداری کامل شد. سپس شبکه های نقطه چین مختلف بر اساس درصد اشتباه آماربرداری (از 55 تا 20 درصد) در سامانه اطلاعات مکانی تهیه و به کار گرفته شدند. مقایسه آماری نتایج به دست آمده، مشخص ساخت که تغییر در تعداد نقاط شبکه ها تأثیری بر صحت آن ندارد و نتایج به دست آمده از تمام شبکه ها (جز 9 و 14) درصد) فاقد اختلاف معنی دار با واقعیت زمینی اند؛ گو اینکه با افزایش تعداد نقاط، بر میزان دقت نتایج نیز افزوده می شود. به طور کلی می توان گفت که شبکه نقطه چین کارایی لازم را در برآورد درصد تراکم تاج پوشش دارد ولی بین صحت و دقت آن ارتباط مستقیمی به چشم نمی خورد.
