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.
یاسر انصاری؛ علی محمدزاده؛ محمودرضا صاحبی صاحبی؛ کوروش خوش‌‌الهام
دوره 8، شماره 3 ، تیر 1395، ، صفحه 11-24
چکیده
روش‌های اتوماتیک شناسایی و استخراج عارضۀ ساختمان از منابع گوناگون اطلاعاتی همچون تصاویر هوایی و ماهواره‌ای و داده‌های لیدار دارای کاربردهای بسیار وسیع و مهم مانند به‌روزرسانی نقشه‌ها، مدلسازی و آنالیز رشد و پیشرفت در مناطق شهری و نیمه‌شهری به‌دست می‌آید. هدف اصلی مقاله طرح روش جدید اتوماتیک استخراج ساختمان با تلفیق داده‌های ...
بیشتر
روش‌های اتوماتیک شناسایی و استخراج عارضۀ ساختمان از منابع گوناگون اطلاعاتی همچون تصاویر هوایی و ماهواره‌ای و داده‌های لیدار دارای کاربردهای بسیار وسیع و مهم مانند به‌روزرسانی نقشه‌ها، مدلسازی و آنالیز رشد و پیشرفت در مناطق شهری و نیمه‌شهری به‌دست می‌آید. هدف اصلی مقاله طرح روش جدید اتوماتیک استخراج ساختمان با تلفیق داده‌های لیدار و تصویر هوایی است. برای این منظور در مرحلۀ اول، انواع روش‌های شناسایی ساختمان (SVM1، MD2 و ANN3) در دو سطح پیکسل پایه و شیء مبنا بررسی و ارزیابی شد. نتایج حاصل از شناسایی حاکی از توانایی بالای روش SVM، در مقایسه با دیگر روش‌ها، در دو سطح پیکسل پایه و شیء مبناست که دقت کلی 95.9٪ و خطای نوع اول 6.2٪ و خطای نوع دوم 3.2٪ را نشان می‌دهد که در حالت پیکسل مبنا به‌منزلۀ روش منتخب شناسایی است. در مرحلۀ دوم، براساس روش منتخب شناسایی مرز دقیق ساختمان بازسازی می‌شود. بنابراین با استفاده از قطعه‌بندی برمبنای طیفی و هندسی، لبۀ هر ساختمان به‌صورت قطعات مجزا تفکیک شد. سپس لبه‌های هر ساختمان براساس معادلات کمترین مربعات بازسازی می‌شود. نتایج روش پیشنهادی استخراج ساختمان با دقت کلی 96.85٪، خطای نوع اول 5.9٪ و خطای نوع دوم 2.5٪ برای الگوریتم پیشنهادی استخراج است.
