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.