مروري بر روش هاي آشكارسازي اهداف در تصاوير پانكروماتيك سنجش از دوري با استفاده از الگوريتم هاي يادگيري عميق

طي سال‌هاي اخير پيشرفت‌هاي سريعي در استفاده از يادگيري عميق براي آشكارسازي اهداف در تصاوير پنكروماتيك سنجش از دوري با وضوح بالا انجام شده است. در اين مقاله تحقيقات جاري اين زمينه مرور شده و يافته‌هاي نوآورانه روش هاي موجود، بيان شده است. همچنين طيف وسيعي از آشكارسازي هاي مورد نظر شامل ساختمان، وسايل نقليه، هواپيما و كشتي پوشش داده شده است. شبكه‌هاي عصبي عميق بر خلاف روش‌هاي سنتي كه با تكيه بر ويژگي‌هاي دست ساز عمل مي كنند، يادگيري ويژگي سطح بالا و قابليت‌هاي تمايز هدف را ارائه مي‌دهند. آموزش سراسري، شبكه ها را قادر ساخته تا بازنمايي هاي مهمي را به طور مستقيم از تصاوير براي تشخيص دقيق بياموزند. از جمله معماري‌هاي مهم و مورد بررسي مي توان به Faster R-CNN، SSD و YOLO اشاره كرد كه اغلب براي آشكارسازي اهداف، سفارشي سازي مي‌شوند. علاوه بر استفاده مستقيم از تصاوير پنكروماتيك، از آن براي بهبود عملكرد تشخيص توسط ادغام با تصاوير ديگر مانند چند طيفي و مادون قرمز استفاده مي شود. بهره بري از اطلاعات مكاني در تصاوير پنكروماتيك، صحت آشكارسازي اهداف را افزايش داده است. سازوكارهاي توجه، اتصالات متراكم و تركيب ويژگي‌هاي چندمقياسي براي تقويت يادگيري ويژگي و بهبود نتايج در صحنه‌هاي پيچيده بررسي شده است. راهبردهاي داده افزايي، يادگيري انتقالي، كاوش نمونه كم كيفيت و سازگاري مدل براي مديريت تصاوير برچسب دار محدود و فرآيند آموزش شبكه استفاده شده اند. به طور كلي، روش هاي يادگيري عميق پيشرفته به صحت هاي بالايي در آشكارسازي انواع مختلف اهداف دست يافته اند. اما چالش ها در مديريت اهداف كوچك، متراكم و مبهم، باقي مانده است. يادگيري مستمر شبكه هاي عميق براي اهداف جديد و تطبيق مدل‌ها، جهت گيري روش هاي اخير مي باشد. اين بررسي بسياري از روش هاي يادگيري عميق آشكارسازي را پوشش داده و بينشي را براي هدايت تحقيقات آينده به سمت آشكارسازهاي عملياتي و قدرتمند براي تشخيص هدف در تصاوير پنكروماتيك با وضوح بالا ارائه مي‌كند.