بررسي داده افزايي در بهبود عملكرد مدل يادگيري عميق جهت قطعه بندي ساختمان‌ها با استفاده از تصاوير هوايي

يادگيري عميق يك روش مدرن پردازش تصوير و تجزيه و تحليل داده‌ها مي‌باشد كه با داشتن نتايج اميدواركننده و پتانسيل بالا، وارد حوزه مديريت شهري شده است. هدف از تحقيق حاضر، بررسي تكنيك‌هاي داده افزايي در بهبود نتايج قطعه بندي ساختمان‌ها با استفاده از تصاوير هوايي با قدرت تفكيك مكاني بالا و روش يادگيري عميق مي‌باشد. براي اين منظور از مجموعه داده ساختمان MSB و مدل MapNet استفاده شد. مدل در سه مرحله بدون داده‌افزايي، با داده‌افزايي تبديلات هندسي و با داده‌افزايي تبديلات هندسي و فتومتريك مورد آموزش و ارزيابي قرار گرفت. نتايج ارزيابي مدل نشان داد كه با استفاده از تكنيك‌هاي داده‌افزايي تبديلات هندسي معيارهاي ارزيابي امتياز اف-يك و IoU به ترتيب به ميزان 0/5 و 0/55 درصد و با استفاده از تكنيك-هاي داده‌افزايي تبديلات هندسي و فتومتريك به ميزان 1/41 و 1/57 درصد افزايش پيدا كرد. اين افزايش به صورت بصري در بهبود قطعه بندي مناطق متراكم ساختمان و ناپيوستگي ساختمان‌هاي بزرگ مقياس مشاهده شد.