آشکارسازی و شناسایی خودکار عوارض موجود در مناطق مختلف جغرافیایی با دقت بالا با توجه به اهداف گوناگون اعم از مدیریت شهری، اهداف نظامی و غیره از مسائل اساسی در شناخت پدیدههای سطح محسوب میگردد. تکنیکهای سنجش از دور و سیستم اطلاعات مکانی (GIS) به همراه تصاویر اخذ شده از چکیده کامل
آشکارسازی و شناسایی خودکار عوارض موجود در مناطق مختلف جغرافیایی با دقت بالا با توجه به اهداف گوناگون اعم از مدیریت شهری، اهداف نظامی و غیره از مسائل اساسی در شناخت پدیدههای سطح محسوب میگردد. تکنیکهای سنجش از دور و سیستم اطلاعات مکانی (GIS) به همراه تصاویر اخذ شده از سنجندههای ماهوارهای با تلفیق الگوریتمهای یادگیری عمیق نمایانسازی عوارض موجود در تصاویر را به خوبی ارتقاء داده است. در این پژوهش به ارائه روشی نو در تلفیق همزمان لایههای CNN و Pooling موجود در الگوریتم مورد استفاده پرداخته شده که در نهایت منجر به کاهش چشمگیر زمان آموزش شبکه با استفاده از دادههای جامع آموزشی با دقت بالا و در عین حال حجم زیاد گردید. در این تحقیق با بهرهگیری از آموزش شبکه به وسیله دادههای آموزشی به آشکارسازی کشتیهای موجود در تصاویر ماهوارهای با ایجاد یک شبکه تماماً کانولوشنال FCN پرداخته شدهاست. جهت ارزیابی عملکرد و دقت الگوریتم استفاده شده در یافتن و آشکارسازی کشتیهای موجود در تصاویر ماهوارهای، با اعمال این الگوریتم آشکارساز بر روی چندین تصویر ماهوارهای دیگر از معیارهای ارزیابی Precision، Recall و F1-Score استفاده شد که مقادیر آنها به ترتیب برابر با %100، % 61/97 و % 83/98 بودهاست که نمایانگر دقت و قابل اعتماد بودن الگوریتم میباشد.
پرونده مقاله