راهكاري مبتني‌بر شبكه‌هاي عصبي كاملاً كانوولوشني براي تشخيص هم‌زمان جاده‌ها و ساختمان‌ها در تصاوير هوايي

توسعه سيستم‌هاي خودكار تشخيص جاده و ساختمان در تصاوير هوايي همواره با چالش‌هاي مهمي مانند متفاوت‌بودن ظاهر ساختمان‌ها، تغييرات روشنايي، زاويه تصويربرداري و فشرده و چگال‌بودن جاده‌ها و ساختمان‌ها در نواحي شهري روبه‌روست. در چند سال اخير، استفاده از شبكه‌هاي عصبي مصنوعي چندلايه (شبكه‌هاي عصبي عميق) مورد توجه بسياري از پژوهشگران اين حوزه (و حوزه‌هاي مشابه) قرار گرفته و نتايج خيره‌كننده‌اي با به‌كارگيري آنها حاصل شده است. باوجوداين، به‌دليل استفاده از لايه‌هاي كاملاً متصل در راهكار‌هاي داده‌شده، ميانگين مدت زمان پردازش هنوز بسيار زياد است و مدل ساخته‌شده نيز به‌سرعت دچار پديده بيش‌برازش مي‌شود. علاوه‌براين، در بيشتر روش‌هاي پيشنهادي، براي تفسير تصاوير هوايي براساس چنين راهكاري از رويكرد تك‌كلاس استفاده شده است. به‌عبارتي، تشخيص جاده‌ها و ساختمان‌ها از عوارض طبيعي به‌طور هم‌زمان امكان‌پذير نيست و لازم است مدل‌هاي جداگانه‌اي براي تشخيص هريك از آنها ايجاد شود. هدف اصلي، در اين پژوهش، طراحي معماري جديدي است كه مدل ساخته‌شده با استفاده از آن بتواند، هم‌زمان، جاده‌ها و ساختمان‌ها را از عوارض طبيعي تشخيص دهد و به‌اين‌ترتيب، پيچيدگي عمل طبقه‌بندي را به حداقل برساند. همچنين، در طراحي معماري پيشنهادي، حذف لايه‌هاي كاملاً متصل از معماري چندلايه‌اي مرسوم و در نتيجه، كاهش ميانگين مدت زمان پردازش مورد توجه قرار گرفته است. نتايج آزمايش‌هاي انجام‌گرفته روي بانك تصاوير هوايي ماساچوست نشان مي‌دهد عملكرد معماري پيشنهادي %۳۸ سريع‌تر از ديگر روش‌هاي مبتني‌بر شبكه‌هاي عصبي چندلايه بوده است و دقت تشخيص را به‌طور ميانگين، %۲ افزايش مي‌دهد.