ارائه الگوریتمی مبتنی بر یادگیری عمیق جهت استخراج ساختمان از تصاویر سنجش از دور با توان تفکیک مکانی بالا

حل مسئله استخراج ساختمان از تصاویر سنجش از دور با توان تفکیک مکانی بالاهمواره به عنوان یکی از موضوعات چالش برانگیز در حیطه علوم فتوگرامتری و سنجش از دور به شمار می آید. در طی سالهای اخیر الگوریتمهای مختلفی برای استخراج خودکار ساختمان از تصاویر سنجش از دور ارائه شده است، که یکی از پرکاربردترین و موثرترین این الگوریتم ها استفاده از الگوریتم های یادگیری عمیق میباشد. هدف از تحقیق حاضر، ارائه الگوریتمی ابتکاری موسوم به ABF+SegNet جهت بهبود دقت استخراج ساختمانها از تصاویر سنجش از دور با توان تفکیک مکانی بالا بر پایه تلفیق شبکه های عصبی کانولوشنی عمیق و فیلترهای دوطرفه انطباقی است. فرآیند استخراج ساختمان در این تحقیق شامل: اعمال فیلترهای دوطرفه انطباقی بر مجموعه داده های تحقیق و بهینه سازی پارامترهای آن بهصورت تجربی جهت بهبود لبه های ساختمانها، طراحی و آموزش شبکه عصبی کانولوشنی عمیق SegNet با مجموعه داده های بهبودیافته و بهینهسازی آن با الگوریتم ADAM، و اثرسنجی به کارگیری الگوریتم ABF+SegNet در استخراج خودکار ساختمان میباشد. الگوریتم پیشنهادی تحقیق بر روی 2 مجموعه داده سنجش از دور از شهرهای پوتسدام )برای چالش تراکم ساختمانها( و ایندیاناپولیس )برای چالش سایه و پوشش گیاهی( مورد آزمایش قرار گرفت. نتایج نشان داد، الگوریتم ABF+SegNet قادر به استخراج ساختمانها با دقتی مناسب از تصاویر سنجش از دور رنگی است. اما عواملی مانند سایه، تراکم ساختمانها و ساختمانهای پوشیده شده با گیاهان همواره میزان دقت نتایج را تحت تاثیر قرار میدهند.

کلیدواژه ها:

استخراج ساختمان ، تصاویر سنجش از دور ، یادگیری عمیق ، شبکه عصبی کانولوشنی عمیق ، بخش بندی معنایی ، فیلتر دو طرفه انطباقی.