شناسايي اهداف در تصاوير سنجش ‌از دوري با قدرت تفكيك بالا با استفاده از روش‌هاي يادگيري عميق

Target detection from high-resolution remote sensing images using deep learning methods

شناسايي عوارض موجود در تصاوير، يكي از مسائل اساسي در حوضه‌ تفسير تصاوير به‌ويژه در تصاوير سنجش‌از‌دوري، به شمار مي‌آيد. يكي از روش‌هاي كارآمد و به‌روز در اين زمينه، به‌كارگيري شيوه‌هاي يادگيري عميق، جهت استخراج و تفسير است. يك عارضه، مجموعه‌اي از الگوهاي منحصربه‌فرد است كه با عوارض مجاور خود متفاوت است، اين تفاوت معمولاً در يك يا چند ويژگي به‌طور هم‌زمان اتفاق مي‌افتد كه مي‌توان به‌تفاوت در شكل، رنگ و درجه خاكستري اشاره نمود. در اين‌ راستا، روش يادگيري عميق با توانايي تحليل مفاهيم انتزاعي سطح بالا، مي‌تواند انتخاب مناسبي در اين زمينه باشد. در روش پيشنهادي، ابتدا يك پايگاه‌داده مطابق با شرايط محيطي و جغرافيايي كشور از برخي از فرودگاه‌هاي ايران تشكيل‌‌شد. سپس با استفاده از شبكه‌هاي عصبي كانولوشني به توليد مدل يادگيرنده بهينه اقدام شد. براي اين كار، در قسمت پردازش داده‌هاي خام در كنار استفاده از روش انتقال آموزشي، بردارهايي جهت دسته‌بندي عوارض موردنظر استخراج و به يك مدل ماشين‌بردار پشتيبان طبقه‌بندي‌كننده، تحويل داده مي‌شوند. در ادامه، مقادير خروجي با مقادير به‌دست‌آمده از تصوير آزمايشي براي هر عارضه، مقايسه و در يك روند تكرارشونده تحليل و جهت تطابق ساختاري بررسي مي‌شوند. نتايج استخراج‌شده از اعمال مدل پيشنهادي بر روي چند سري داده‌ آزمايشي، ارزيابي و با روش‌هاي مشابه مقايسه شد كه درنهايت با مقادير 98/21 درصد براي معيار Precision و 99/1 درصد براي معيار F1-Measure، قادر به شناسايي عوارض هدف است

Object detection is one of the fundamental issues in image interpretation process, especially from remote-sensing imagery. One of the most effective and efficient methods in this field is the use of deep learning algorithm for feature extraction and interpretation. An object is a collection of unique patterns that differ with own adjacent properties. This difference usually occurs in one or more features simultaneously, which can be indicated by the difference in shape, color, and gray values. In this regard, the use of deep learning as an efficient branch of machine learning can be useful in generating high-level concepts through learning in different layers. In this research, a database based on the environmental and geographical conditions from some Iranian airports was created. Additionally, an optimal learner model was developed with a convolutional neural network. For this purpose, in the raw data processing section, besides using the transfer learning method, some vectors were extracted to classify the objects and delivered to an SVM model. The output values were compared with the values obtained from the test image for each object, and they were analyzed in a repeatable process for structural matching. Precision of 98.21% and F1-Measure of 99.1% was achieved, for identification of the target objects