ارائه الگوريتمي مبتني بر يادگيري عميق جهت استخراج ساختمان از تصاوير سنجش از دور با توان تفكيك مكاني بالا

حل مسئله استخراج ساختمان‌ از تصاوير سنجش از دور با توان تفكيك مكاني بالا همواره به‌عنوان يكي از موضوعات چالش‌برانگيز در حيطه علوم فتوگرامتري و سنجش ‌از دور به شمار مي‌آيد. در طي سال‌هاي اخير الگوريتم‌هاي مختلفي براي استخراج خودكار ساختمان از تصاوير سنجش از دور ارائه شده است، كه يكي از پركاربردترين و مؤثرترين اين الگوريتم‌ها استفاده از الگوريتم هاي يادگيري عميق مي‌باشد. هدف از تحقيق حاضر، ارائه الگوريتمي ابتكاري موسوم به ABF+SegNet جهت بهبود دقت استخراج ساختمان‌ها از تصاوير سنجش از دور با توان تفكيك مكاني بالا بر پايه تلفيق شبكه‌هاي عصبي كانولوشني عميق و فيلترهاي دوطرفه انطباقي است. فرآيند استخراج ساختمان در اين تحقيق شامل: اعمال فيلترهاي دوطرفه انطباقي بر مجموعه داده‌هاي تحقيق و بهينه‌سازي پارامترهاي آن به‌صورت تجربي جهت بهبود لبه‌هاي ساختمان‌ها، طراحي و آموزش شبكه عصبي كانولوشني عميق SegNet با مجموعه داده‌هاي بهبوديافته و بهينه‌سازي آن با الگوريتم ADAM، و اثرسنجي به‌كارگيري الگوريتم ABF+SegNet در استخراج خودكار ساختمان‌ مي‌باشد. الگوريتم پيشنهادي تحقيق بر روي 2 مجموعه داده سنجش از دور از شهرهاي پوتسدام (براي چالش تراكم ساختمان‌ها) و ايندياناپوليس (براي چالش سايه و پوشش گياهي) مورد آزمايش قرار گرفت. نتايج نشان داد، الگوريتم ABF+SegNet قادر به استخراج ساختمان‌ها با دقتي مناسب از تصاوير سنجش از دور رنگي است. اما عواملي مانند سايه، تراكم ساختمان‌ها و ساختمان‌هاي پوشيده شده با گياهان همواره ميزان دقت نتايج را تحت تأثير قرار مي‌دهند.