ارائه يك شبكه عصبي عميق جديد براي استخراج چند مقياسي ساختمان‌ها از تصاوير سنجش از دوري

امروزه استخراج ساختمان يكي از مهم‌ترين نياز‎هاي برنامه‌ريزي براي محيط‌هاي شهري و روستايي است. استخراج ساختمان‌ها از تصاوير سنجش از دوري به دليل سرعت بالا و هزينه پائين تهيه و پردازش اين نوع از داده به مهمترين داده مورد استفاده در اين حوزه تبديل شده‌است. از بين روش‌هاي زيادي كه براي استخراج ساختمان وجود دارد، شبكه‌هاي عصبي عميق بيشتر مورد توجه محققين قرار گرفته‌اند. اما اين شبكه‌ها داراي ضعف‌هايي نيز هستند. اكثر مدل‌هاي موجود، در استخراج چند مقياسي ساختمان عملكرد ضعيفي دارند. بدين معنا كه شبكه‌ها توانايي استخراج ساختمان‌هايي با اندازه‌هاي مختلف را ندارند. از اين‌رو، در اين تحقيق، مدلي براي استخراج چند مقياسي ساختمان طراحي و ارائه شده‌است. مدل پيشنهادي، چالش استخراج چند مقياسي ساختمان را با استفاده از يك ماژول بهبود نتيجه رفع كرده‌است. ماژول طراحي‌شده با استفاده از پيچش گسترش‌‌يافته زمينه دريافت اطلاعات را افزايش مي‌دهد كه باعث مي‌شود ناپيوستگي در خروجي ساختمان‌هاي بزرگ پديدار نشود. استخراج صحيح ساختمان‌هاي بزرگ توسط ماژول بهبود و ساختمان‌هاي كوچك و متوسط توسط بدنه اصلي، مدل پيشنهادي را به يك مدل كارآمد تبديل كرده‌است. براي بررسي عملكرد مدل پيشنهادي، از دو مجموعه داده Massachusetts و WHU استفاده شده است. با آزمايش اين دو مجموعه، مدل پيشنهادي با كسب مقادير 0/6495 و 0/8572 براي معيار IoU بهترين عملكرد را در مقايسه با مدل‎هاي FCN، U-Net، USPP و DeepLabV3+ نشان داد. بررسي عملكرد ماژول بهبود نشان داد كه پس از اضافه كردن اين ماژول، مدل پيشنهادي در معيار IoU به ميزان 0/1077 عملكرد بهتري نسبت به مدل بدون ماژول نشان مي‌دهد. نتايج همچنين نشان داد كه مدل پيشنهادي در استخراج ساختمان‌هاي بزرگ، برتري قابل توجهي نسبت به ساير مدل‌ها دارد كه نشان از عملكرد موفق ماژول طراحي شده‌است.