پديد آورندگان :
بيرانوند، نادر دانشگاه امام علي (ع) - مركز مطالعات زميني و صنايع وابسته - گروه علوم پايه، تهران، ايران , كيخايي، مهدي دانشگاه تهران، تهران، ايران , مماني، رويين دانشگاه شهيد بهشتي، تهران، ايران
كليدواژه :
سنجش از دور , يادگيري عميق , شبكه عصبي كانولوشن , آشكارسازي خودكار اهداف
چكيده فارسي :
آشكارسازي و شناسايي خودكار عوارض موجود در مناطق مختلف جغرافيايي با دقت بالا با توجه به اهداف گوناگون اعم از مديريت شهري، اهداف نظامي و غيره از مسائل اساسي در شناخت پديده‌هاي سطح محسوب مي‌گردد. تكنيك‌هاي سنجش از دور و سيستم اطلاعات مكاني (GIS) به همراه تصاوير اخذ شده از سنجنده‌هاي ماهواره‌اي با تلفيق الگوريتم‌هاي يادگيري عميق نمايان‌سازي عوارض موجود در تصاوير را به خوبي ارتقاء داده است. در اين پژوهش به ارائه روشي نو در تلفيق همزمان لايه‌هاي CNN و Pooling موجود در الگوريتم مورد استفاده پرداخته شده كه در نهايت منجر به كاهش چشمگير زمان آموزش شبكه با استفاده از داده‌هاي جامع آموزشي با دقت بالا و در عين حال حجم زياد گرديد. در اين تحقيق با بهره‌گيري از آموزش شبكه به وسيله داده‌هاي آموزشي به آشكارسازي كشتي‌هاي موجود در تصاوير ماهواره‌اي با ايجاد يك شبكه تماماً كانولوشنال FCN پرداخته شده‌است. جهت ارزيابي عملكرد و دقت الگوريتم استفاده شده در يافتن و آشكارسازي كشتي‌هاي موجود در تصاوير ماهواره‌اي، با اعمال اين الگوريتم آشكارساز بر روي چندين تصوير ماهواره‌اي ديگر از معيارهاي ارزيابي Precision، Recall و F1-Score استفاده شد كه مقادير آن‌ها به ترتيب برابر با %100، % 97/61 و % 98/83 بوده‌است كه نمايانگر دقت و قابل اعتماد بودن الگوريتم مي‌باشد.
چكيده لاتين :
Automatic detection of features in different areas according to various objectives, including urban management, military objectives, etc., are one of the most up-to-date and important applications of machine learning today. Combining the Global Geographic System (GIS) with images taken from satellite sensors and finally using deep learning methods, which is one of the main branches of machine learning, is a great help to the visible subject. Made the effects in the images using remote sensing science.. At the beginning of this research, the various layers in the proposed algorithm have been comprehensively presented and introduced, and then a new method has been presented in the simultaneous combination of CNN and pooling layers in the algorithm used, which finally It led to a significant reduction in network training time using comprehensive training data with high accuracy and at the same time high volume, which in the end, after entering the fully connected layer to extract and identify the desired goals with acceptable accuracy along with cost-effectiveness. Save time. In this research, using network training through training data, ships in satellite images are detected by creating a fully convoluted FCN network. In order to evaluate the performance and accuracy of the algorithm used in finding and detecting ships in satellite images, by applying this detection algorithm on several other satellite images, Precision, Recall and F1-Score evaluation criteria were used. The values were equal to 100%, 97.61% and 98.83%, respectively, which indicates the accuracy and reliability of the algorithm.
