پویا احمدی؛ طیبه مناقبی؛ حمید عبادی؛ بهنام اصغری بیرامی
چکیده
با گسترش دانش سنجش از دور، استفاده از تصاویر هایپراسپکترال روزبهروز افزایش و عمومیت مییابد. طبقهبندی یکی از محبوبترین موضوعات در سنجش از دور ابرطیفی است. طی دو دهة گذشته، روشهای بسیاری برای مقابله با مشکل طبقهبندی دادههای هایپراسپکترال پیشنهاد شده است. در پژوهش حاضر، ساختاری مبتنیبر یادگیری شبکههای کپسول برای طبقهبندی ...
بیشتر
با گسترش دانش سنجش از دور، استفاده از تصاویر هایپراسپکترال روزبهروز افزایش و عمومیت مییابد. طبقهبندی یکی از محبوبترین موضوعات در سنجش از دور ابرطیفی است. طی دو دهة گذشته، روشهای بسیاری برای مقابله با مشکل طبقهبندی دادههای هایپراسپکترال پیشنهاد شده است. در پژوهش حاضر، ساختاری مبتنیبر یادگیری شبکههای کپسول برای طبقهبندی تصاویر ابرطیفی بهکار رفته است؛ بهگونهای که ساختار شبکه بتواند، با استفاده از یک لایة کانولوشنی و یک لایة کپسول، بهترین حالت تولید ویژگیها را داشته باشد و درعینحال از بیشبرازش شبکه روی نمونههای آموزشی جلوگیری کند. نتایج بهدستآمده نشان از کیفیت بالای ویژگیهای تولیدی در ساختار پیشنهادی دارد. درراستای بهبود دقت طبقهبندی، رویکرد استخراج ویژگی ازطریق شبکة طراحیشده و طبقهبندی با استفاده از الگوریتم درخت تقویتی XGBoost، با روش طبقهبندی ازطریق شبکة عمیق سراسری مقایسه شد تا، علاوهبر بررسی و کیفیتسنجی ویژگیهای عمیق برداری تولیدی بهروش پیشنهادی در طبقهبندیکنندههای گوناگون، میزان توانایی شبکههای عمیق سراسری نیز، در کاربرد طبقهبندی، بررسی شود. رویکرد کپسول پیشنهادی شامل سه لایة اصلی است: 1) Prime با کپسولهایی بهاندازة 8 و 32 فیلتر 9×9 و گام حرکتی 2؛ 2) Digitcaps دارای دَه کپسول شانزدهبعدی؛ 3) لایة تماماً متصل. نتایج بررسی دو رویکرد برای شبکة عمیق و نیز ترکیب شبکههای کپسول با الگوریتم درخت تقویتی XGBoost مقایسه شد. رویکردهایی همچون SVM، RF-200، LSTM، GRU، و GRU-Pretanh برای مقایسة رویکرد پیشنهادی براساس پیکربندیهایی درنظر گرفته شدند که در تحقیقات به آنها اشاره شده بود. برای ارزیابی مدل پیشنهادی، مجموعه دادة Indian Pines نیز، شامل شانزده کلاس متفاوت، بهکار رفت. با استفاده از روش پیشنهادی ترکیبی، طبقهبندی تصاویر با دقت 99% رویدادههای آموزش و دقت 5/97% روی دادههای تست انجام میشود.
سیدیوسف سجادی؛ سعید پارسیان
دوره 10، شماره 2 ، آذر 1397، ، صفحه 1-14
چکیده
در این مقاله، پژوهشی نوین از تلفیق دادههای ابرطیفی و لیدار را برای تشخیص و استخراج عوارض ساختمانی، با استفاده از الگوریتم یادگیری ماشین، بررسی کردیم. مجموعه دادههایی که بنیاد ملی علوم (NSF) در اختیار گذاشته (این بنیاد را مرکز ارزیابی لیزر هوایی(NCALM) تأسیس کرده است) و پیشتر، دانشگاه هیوستن در منطقة مجاور شهری بهکار گرفته است مورد ...
بیشتر
در این مقاله، پژوهشی نوین از تلفیق دادههای ابرطیفی و لیدار را برای تشخیص و استخراج عوارض ساختمانی، با استفاده از الگوریتم یادگیری ماشین، بررسی کردیم. مجموعه دادههایی که بنیاد ملی علوم (NSF) در اختیار گذاشته (این بنیاد را مرکز ارزیابی لیزر هوایی(NCALM) تأسیس کرده است) و پیشتر، دانشگاه هیوستن در منطقة مجاور شهری بهکار گرفته است مورد استفاده قرار گرفت. در این روش، ابتدا، فرض بر آن است که، با تلفیق دادههای فراطیفی و لیدار که هریک توانایی استخراج برخی از ویژگیهای عوارض ساختمانی را دارد، میتوان همان عارضه را، با دقت و صحت بیشتری، استخراج کرد. اعمال روش یادگیری ماشین روی دادههای ابرطیفی تصویرِ سطحبندیشده از عوارض ساختمانی و دیگر عوارض را ایجاد خواهد کرد. پس از اعمال سطحبندی، روش پیشنهادی و دیگر روشهای موجود در این زمینه مقایسه میشوند تا کیفیت روش پیشنهادی مشخص شود. چنین مقایسهای نیازمند بررسی تعدادی پارامتر ارزیابی است که، در قسمت کنترل کیفیت، مطرح خواهند شد. بههرحال، دقت بهدستآمده از نتایج روش انجامگرفته در این مقاله برابر با 56/95%، میزان کاملبودن 100%، صحت کلی 66/98% و ضریب کاپا برابر با 9430/0 محاسبه شد. هدف این مقاله استخراج خودکار ساختمانهای موجود در دادههای ابرطیفی هوایی و لیدار دریافتشده از یک منطقه (automation)، استخراج حداکثر تعداد ساختمانهای موجود در تصاویر نامبردهشده (completeness) و افزایش دقت و صحت در استخراج ساختمان (accuracy and precision) بوده است که، براساس نتایج حاصل از پارامترهای ارزیابی، محقق شدهاند.
احمد ملکنژاد یزدی؛ حسن قاسمیان؛ وحید عیسوی؛ علی شهسواری؛ حسن کوشا
دوره 7، شماره 3 ، بهمن 1394، ، صفحه 65-82
چکیده
بیشتر الگوریتمهای طبقهبندی دادههای سنجش از دور براساس ویژگیها و اطلاعات طیفی پیکسلها عمل میکنند. این مسئله باعث نادیده گرفتن اطلاعات مکانی سودمند و قابل استخراج بسیاری، مانند بافت تصاویر میشود. محیط شهری بافت ناهمگنی دارد که شناسایی انواع کاربریها را به فرایندی دشوار و پیچیده تبدیل کرده است. در این پژوهش تأثیر استفاده ...
بیشتر
بیشتر الگوریتمهای طبقهبندی دادههای سنجش از دور براساس ویژگیها و اطلاعات طیفی پیکسلها عمل میکنند. این مسئله باعث نادیده گرفتن اطلاعات مکانی سودمند و قابل استخراج بسیاری، مانند بافت تصاویر میشود. محیط شهری بافت ناهمگنی دارد که شناسایی انواع کاربریها را به فرایندی دشوار و پیچیده تبدیل کرده است. در این پژوهش تأثیر استفاده از بافت تصویر تکباند سنجندۀ ALI (Advanced Land Imager) بر دقت طبقهبندی تصاویر ابرطیفی سنجندۀ هایپریون«Hyperion» در محیطهای شهری بررسی شد. طبقهبندی با استفاده از روش جنگلهای تصادفی[1] و در پنج سناریوی مختلف انجام شد: سناریوی شمارۀ 1: طبقهبندی اطلاعات طیفی تصویر ادغامشده به روش [1]CNT(بدون لحاظ کردن اطلاعات بافت)؛ سناریوهای 2، 3، 4 و 5: طبقهبندی تصویر CNT با افزوده شدن بردارهای ویژگی بافت حاصل از روش ماتریس هموقوعی در اندازههای پنجرۀ 3، 5، 7 و 9 هستند. براساس یافتههای این تحقیق، افزودن بافت به طیف تصویر ادغامی به روش CNT دقت طبقهبندی را بهبود چشمگیری داد، به گونهای که دقت کلی بر اثر افزودن بافت با حدود ده درصد افزایش، از 80.47% به 90.74% رسید. بسیاری از پوششهای کاربری مانند جاده، بافت مسکونی، صنایع کوچک و پراکنده و صنایع متمرکز نیز در زمینۀ دقت تولیدکننده و مصرفکننده رشد چشمگیری را شاهد بودند. پارامتر خطای OOB[1] با 11% کاهش، از 19.86 به 8.87% رسید. بردارهای ویژگی مانند میانگین و کنتراست نیز، توانستند از لحاظ میزان اهمیت در رتبههای بالا قرار گیرند. همچنین، افزایش اندازۀ پنجره منجر به بهبود بیشتر دقت طبقهبندی شد، به گونهای که اندازۀ پنجرۀ 9 بهترین عملکرد را در پی داشت.