بهبود تشخيص صحنه در سنجش از راه دور با استفاده از يادگيري عميق و ويژگيهاي عميق سراسري

Improving Scene Recognition In Remote Sensing Using Deep Learning And Deep Global Features

با توجه به پيشرفت هاي فناوري رصد زمين، حجم تصاوير سنجش از دور به شدت در حال افزايش است.در اين حوزه، هدف برچسب‌گذاري صحيح تصاوير سنجش از دور است. تشخيص صحنه در تصاوير سنجش از دور در زمينه‌هاي مختلفي بسيار كاربردي است. هدف در اين تحقيق ارائه يك سيستم تشخيص صحنه در سنجش از راه دور با بكارگيري يادگيري عميق و يادگيري ماشين است. در اين پژوهش براي رفع مشكلاتي مثل عدم بكارگيري دو نوع ويژگي در تشخيص صحنه در سنجش از دور و در راستاي رفع محدوديت‌هاي استخراج ويژگي مطرح شده است كه در آن سه نوع ويژگي شامل دو نوع ويژگي عميق محلي و سراسري و يك نوع ويژگي محلي دستي با يكديگر تركيب مي‌شوند، تا بتوان دقت و صحت تشخيص صحنه را بهبود بخشيد. ارزيابي روش پيشنهادي نشان داد كه اين روش مي‌تواند عملكرد بهتري ارائه كند ، در اين ارزيابي، روش پيشنهادي در مقايسه با مقاله ي پايه به ترتيب براي مجموعه داده UCM دقت 0.8% ، براي مجموعه داده AID دقت 3.03% ، براي مجموعه داده ي RSSNC7 دقت 4.95% و براي NWPU-RESISC45 دقت 3.8% بهبود داده شده است. بنابراين از روش پيشنهادي ميتوان به خوبي براي برچسب گذاري تصاوير سنجش از دور استفاده كرد.

Due to the advances in earth observation technology, the volume of remote sensing images is increasing drastically. In this field, the goal is to correctly label remote sensing images. Scene detection in remote sensing images is very useful in various fields. The purpose of this research is to provide a scene recognition system in remote sensing using deep learning and machine learning. In this research, to solve problems such as not using two types of features in remote sensing scene detection and in order to solve the limitations of feature extraction, three types of features include two types of deep local and global features and one type of manual local feature with They are combined to improve the accuracy of scene detection. The evaluation of the proposed method showed that this method can provide a better performance. In this evaluation, the proposed method compared to the base article has an accuracy of 0.8% for the UCM dataset, an accuracy of 3.03% for the AID dataset, and an accuracy of 3.03% for the RSSNC7 dataset. 4.95% and for NWPU-RESISC45 the accuracy is improved by 3.8%. Therefore, the proposed method can be used well for tagging remote sensing images.