Target detection from high-resolution remote sensing images using deep learning methods

Abstract

شناسایی عوارض موجود در تصاویر، یکی از مسائل اساسی در حوضه‌ تفسیر تصاویر به‌ویژه در تصاویر سنجش‌از‌دوری، به شمار می‌آید. یکی از روش‌های کارآمد و به‌روز در این زمینه، به‌کارگیری شیوه‌های یادگیری عمیق، جهت استخراج و تفسیر است. یک عارضه، مجموعه‌ای از الگوهای منحصربه‌فرد است که با عوارض مجاور خود متفاوت است، این تفاوت معمولاً در یک یا چند ویژگی به‌طور هم‌زمان اتفاق می‌افتد که می‌توان به‌تفاوت در شکل، رنگ و درجه خاکستری اشاره نمود. در این‌ راستا، روش یادگیری عمیق با توانایی تحلیل مفاهیم انتزاعی سطح بالا، می‌تواند انتخاب مناسبی در این زمینه باشد. در روش پیشنهادی، ابتدا یک پایگاه‌داده مطابق با شرایط محیطی و جغرافیایی کشور از برخی از فرودگاه‌های ایران تشکیل‌‌شد. سپس با استفاده از شبکه‌های عصبی کانولوشنی به تولید مدل یادگیرنده بهینه اقدام شد. برای این کار، در قسمت پردازش داده‌های خام در کنار استفاده از روش انتقال آموزشی، بردارهایی جهت دسته‌بندی عوارض موردنظر استخراج و به یک مدل ماشین‌بردار پشتیبان طبقه‌بندی‌کننده، تحویل داده می‌شوند. در ادامه، مقادیر خروجی با مقادیر به‌دست‌آمده از تصویر آزمایشی برای هر عارضه، مقایسه و در یک روند تکرارشونده تحلیل و جهت تطابق ساختاری بررسی می‌شوند. نتایج استخراج‌شده از اعمال مدل پیشنهادی بر روی چند سری داده‌ آزمایشی، ارزیابی و با روش‌های مشابه مقایسه شد که درنهایت با مقادیر 21/98 درصد برای معیار Precision و 1/99 درصد برای معیار F1-Measure، قادر به شناسایی عوارض هدف است