شماره ركورد كنفرانس :
5424
عنوان مقاله :
ارزيابي عملكرد دو مدل يادگيري عميق در استخراج عوارض ساختماني از تصاوير ماهواره‌اي با مدل رقومي سطح
عنوان به زبان ديگر :
Performance evaluation of two deep learning models in building footprint extraction from satellite imagery with digital surface model
پديدآورندگان :
احمديان نيما n.ahmadian99@ms.tabrizu.ac.ir دانشكده مهندسي نقشه برداري دانشگاه تبريز , صداقت امين a.sedaghat@tabrizu.ac.ir دانشكده مهندسي نقشه برداري دانشگاه تبريز , محمدي نازيلا n.mohammadi@tabrizu.ac.ir دانشكده مهندسي نقشه برداري دانشگاه تبريز
كليدواژه :
يادگيري عميق , ساختمان , U-Net , مدل رقومي سطح
عنوان كنفرانس :
بيست و هفتمين همايش ملي مهندسي نقشه برداري و اطلاعات مكاني (ژئوماتيك 1402)
چكيده فارسي :
ساختمان‌ها يكي از مهم‌ترين عوارض دست‌ساز بشر هستند كه شناسايي و مديريت آن‌ها كاربردهاي فراواني دارد. تصاوير سنجش‌ازدور و مدل رقومي سطح، منابع مناسبي براي استخراج و توليد نقشه ساختمان‌ها هستند. با توجه به پيشرفت يادگيري عميق در دهه اخير، اين روش براي استخراج خودكار عوارض ساختماني از تصاوير سنجش‌ازدور كارآمد است. در اين تحقيق از دو مدل يادگيري عميق شامل U-Net و MA-FCN براي تشخيص عوارض ساختماني از تصاوير سنجش‌ازدور با بهره‌گيري از مدل رقومي سطح استفاده شده است. نتايج حاصل از اين تحقيق نشان مي‌دهد كه استفاده از مدل رقومي سطح در كنار تصاوير سه باندي، نتايج استخراج ساختمان‌ها را در اين روش‌ها بهبود داده و در تعداد اپك آموزشي كمتر نسبت به تصاوير سه باندي به نتايج بهتري دست مي‌يابد. استفاده از مدل رقومي سطح در مدل‌هاي U-Net و MA-FCN به ترتيب 7% و 6% نتايج را بهبود داده است.
