استفاده از ShuffleNet براي طراحي يك مدل بخش‌بندي معنايي عميق به منظور تشخيص نشت نفت در تصاوير رادار روزنه مصنوعي

بخش بندي معنايي عميق تصاوير به عنوان راه حلي يكپارچه در آناليز تصاوير مبتني بر طبقه بندي تك تك پيكسل هاي تصوير بوده و بخصوص در كاربرد هايي مانند شناسايي نشت نفت در آب هاي آزاد كه در آن مرز اشيا و نواحي به طور مشخص قابل تفكيك نيستند، مورد توجه قرار مي گيرد. به منظور كنترل هرچه بيشتر آلودگي و مخاطرات زيست محيطي ناشي از نشت نفت، ارائه روش هايي با دقت بيشتر از اهميت ويژه اي برخوردار است. تصاوير رادار روزنه مصنوعي دراين زمينه بسيار پركاربرد بوده و با چالش هايي از جمله نويز اسپكل و نيز تشخيص نواحي لكه نفتي و شبه لكه نفتي مواجه هستند. بكارگيري روش هاي نوين يادگيري عميق مي تواند در كاهش دخالت سليقه انساني در تصميم گيري كمك كند. در اين مقاله از روش مخلوط كردن كانال هاي ويژگي در شبكه هاي كانولوشني عميق، بلوك هاي آتروس و بخش هاي رمزگشايي استفاده شده است كه علاوه بر كاهش پيچيدگي هاي محاسباتي، نتايج بخش بندي لكه هاي نفتي به مراتب بهتر از ساير روش ها مي دهد. معماري شبكه ارائه شده مبتني بر معماري vgg16 مي باشد. دقت كلي، صحت، همپوشاني بر واحد، IoU وزن دار و امتياز BF به عنوان پارامترهاي ارزيابي در نظر گرفته شده اند. در روش ارائه شده، دقت بخش بندي لكه هاي نفتي و شبه لكه هاي نفتي به ترتيب به ميزان 7.8% و 7.3% نسبت به روش هاي پيشين بهبود يافته است.