رويكرد يادگيري عميق مبتني بر بلوك هاي تخصصي كانولوشن در استخراج جاده هاي شهري

استخراج جاده‌ها از تصاوير سنجش از دور با وضوح زياد در طيف گسترده‌اي از كاربردها مانند تهيه و به هنگام رساني نقشه راه ها مورد استفاده قرار گرفته است. به دليل طول زياد و عرض كم و همچنين سايه‌هاي ناشي از پوشش گياهي و ساختمان‌ها، تشخيص جاده‌ها با چالش همراه است. وجود تنوع در جاده هاي موجود در يك منطقه شهري اعم از مجاورت معابر داراي طول كوتاه و بزرگراه ها و آزادراه هاي طويل باعث بروز مشكلاتي در تشخيص و طبقه بندي خودكار تمامي انواع معابر گرديده است. لذا، با هدف بهبود قابليت اطمينان و دقت استخراج جاده‌ها، يك مدل شبكه عصبي در اين مقاله پيشنهاد شده‌است كه به قطعه‌بندي دقيق پيكسلي دست مي‌يابد. شبكه پيشنهادي به‌طور مستقيم تصوير ورودي را پردازش مي‌كند و از چهار بلوك كانولوشن تخصصي در طول نمونه‌برداري كاهشي استفاده مي‌كند كه با رويكرد نمونه‌برداري با عمق كم براي توليد يك ماسك باينري كلاس جاده تكميل مي‌شود. با توجه به اينكه شبكه‌هاي قطعه بندي معنايي مرسوم عميق بوده و داراي پارامترهاي قابل آموزش زيادي هستند، شبكه پيشنهادي در اين تحقيق از نمونه‌برداري با عمق كم استفاده مي‌كند كه به كاهش عمق شبكه كمك مي‌كند و در نتيجه كاهش تعداد پارامترها را به همراه دارد. قابليت اجرايي مدل پيشنهادي در اين تحقيق با استفاده از مجموعه داده ماساچوست ارزيابي گرديد و نتايج ارزيابي به وضوح عملكرد برتر مدل پيشنهادي را در مقايسه با ساير شبكه‌هاي عصبي با پارامترهاي كمتر ِنشان مي‌دهد. مدل پيشنهادي توانست شاخص هاي IOU و -F-Score را در مجموعه داده ماساچوست در مقايسه با ساير شبكه هاي عصبي نظير DeeplabV3+، U-Net و D-LinkNet به ترتيب به ميزان 1/98 و 3/03 بهبود بخشد.