شناسايي تغييرات تصاوير سنجش‌ازدوري با استفاده از روش هاي يادگيري عميقِ دوجريانه

شناسايي تغييرات تصاوير سنجش‌ازدور داراي نقش مهمي در بسياري از برنامه‌هاي كاربردي مانند بررسي رشد شهرنشيني، نظارت بر تغييرات كاربري زمين، ارزيابي بلايا و آسيب‌هاي طبيعي ايفا مي‌كند. در اين فرايند هدف، تعيين برچسب تغيير كرده يا نكرده براي پيكسل‌هاي دو تصوير مي‌ باشد كه از يك مكان ولي در دو زمان متفاوت گرفته‌شده است. همين‌طور در دهه اخير استفاده از روش ‌هاي يادگيري عميق به دليل عملكرد مناسبي كه در تفسير و پردازش داده‌هاي سنجش‌ ازدوري دارند و همين‌طور توانايي حذف مهندسي ويژگي و استخراج ويژگي‌هاي سطح بالا از تصاوير، موردتوجه بسياري از محققان اين حوزه قرارگرفته است. در همين راستا، در اين مقاله يك مدل يادگيري عميق بهينه طراحي‌شده است كه به دليل ساختار سلسله‌مراتبي، طراحي مؤثر انتقال ويژگي و بهره وري مناسب از ويژگي ‌هاي چندمقياسه، دقت شناسايي تغييرات تصاوير دو زمانه را افزايش مي‌دهد. مدل پيشنهادي به دليل ساختار و معماري بهينه نسبت به برخي مدل‌هاي مشهور موجود مانند BIT از سرعت و دقت نتايج بالاتري برخوردار است. نتايج به‌دست‌آمده از اعمال مدل پيشنهادي بر روي دو مجموعه داده ي مورد بررسي، نسبت به روش مقايسه اي BIT به طور ميانگين حاكي از دقت كلي حدود 96 درصد و كاهش 10 درصدي ميزان محاسبات ضرب و جمع مي ‌باشد.