تشخيص و شناسايي سد‌هاي كنترلي با رويكرد يادگيري عميق با استفاده از تصاوير ماهواره‌اي

يادگيري عميق، پيشرفت‌هاي قابل توجهي را در عمليات‌هاي تشخيص اشيا در تصاوير در حوزه بينايي كامپيوتر از خود نشان داده است. اين پيشرفت‌ها سبب شده است كه يادگيري عميق به‌طور گسترده در كاربرد‌هاي تشخيص اشيا به‌خصوص در تصاوير هوايي و ماهواره‌اي به كار گرفته شود. در اين مقاله بررسي بر روي تشخيص و شناسايي سد‎‌ها با بهره‌گيري از يادگيري عميق صورت مي‌گيرد، به‌طوريكه با استفاده از دادگاني شامل تصاوير ماهواره‌اي به آموزش مدل‌ يادگيري عميق پرداخته و با استفاده از برخي روش‌هاي يادگيري عميق نظير روش‌هاي مبتني بر پيشنهاد ناحيه و مكانيزم توجه به شناسايي، مكان‌يابي و تشخيص انواع سدهاي كنترلي مي‌پردازد. لذا در نهايت با معرفي معيار ارزيابي IoU نتايج كمي شناسايي سد‌ها با استفاده از روش‌هاي مورد نظر، مورد بررسي و مقايسه قرار مي‌گيرد. در نهايت نشان داده مي‌شود هر الگوريتم قدرت‌ها و ضعف‌هاي منحصر به فرد خود را داشته است، به طوري كه Mask Scoring RCNN در تقسيم بندي نمونه برتري داشته است، Swin Transformer عملكرد قابل توجهي در تشخيص اشياء داشته است، DETR با نتايج رقابتي رويكرد مبتني بر تبديل‌گر نشان داده است و Deformable DETR با دقت بهبود يافته در محل‌يابي، پتانسيل بالقوه‌اي را نشان داده است.