ارائه روشی بهینه مبتنی بر یادگیری عمیق به منظور طبقه بندی طیفی مکانی تصاویر با قدرت تفکیک مکانی بالا در مناطق نیمه شهری

رشد و پیشرفت روزافزون در شهرسازی و تغییرات سریع در سطح زمین ضرورت بررسی مستمر این تغییرات را افزایش داده است. طبقه‏ بندی تصاویرسنجش ازدوری با قدرت تفکیک بالا می‏تواند بهینه‏ ترین راه ممکن در جهت نیل به این هدف باشد. طبقه ‏بندی این تصاویر به دلیل شباهت‏ های بین کلاسی موجود و هم‏چنین وجود تفاوت ‏ها در یک کلاس، همواره با چالش‏هایی روبرو بوده است. وجود این نوع چالش‏ها لزوم به‏ کارگیری روش‏های دقیق در زمینه‏ ی طبقه‏ بندی تصاویر را یادآوری می‏کند. در این مقاله‏ از روش شبکه ‏های عصبی کانولوشنی مبتنی بر یادگیری عمیق به منظور طبقه ‏بندی تصاویر استفاده گردیده است. دلیل این انتخاب امکان استفاده از ویژگی ‏های عمیق و فراگیر توسط روش نام‏برده می‏باشد. در این مقاله، هدف اساسی تعیین ساختاری مبتنی بر شبکه‏ های عمیق برای کلاسه‏ بندی بهینه‏ ی تصاویر هوایی با قدرت تفکیک مکانی بالا است. برای رسیدن به این هدف، جزییات و رویکردهای در نظر گرفته شده برای شبکه از اهمیت بالایی برخوردار است. به همین منظور، ابتدا، شبکه‏ای عمیق به منظور استخراج ویژگی ‏های عمیق و بهینه از تصویر هوایی طراحی گردیده است. سپس، برای ارزیابی تاثیرگذاری همسایگی ‏های مختلف در تولید ویژگی ‏های عمیق بهینه، استخراج ویژگی در پچ‏های تصویری با ابعاد متفاوت، مورد بررسی قرار گرفته است. در انتها، برای بررسی قابلیت طبقه ‏بندی روش‏ یادگیری عمیق، در رویکردی متفاوت، از روش ماشین بردار پشتیبان برای طبقه‏ بندی براساس ویژگی‏ های عمیق تولیدشده، استفاده گردیده است. بررسی و مقایسه نتایج حاصله، تصویر روشنی از قابلیت طبقه ‏بندی در روش یادگیری عمیق به نسبت روش مرسوم ماشین بردار پشتیبان، در شرایط مشابه استفاده از ویژگی ‏های عمیق ارائه کرده است. جهت ارزیابی روش، از داده‏‏های هوایی با قدرت تفکیک مکانی یک متر در منطقه des moines در ایالات متحده آمریکا و تصویری از منطقه‏ ی رویان واقع در استان مازندران استفاده گردیده است. در نهایت نتایج ارزیابی‏ ها، بهبود در سه معیار دقت precision، recall و f1-score را در رویکرد استفاده از پچ‏های تصویری بزرگ‏تر را نشان می‏دهد. هم‏چنین استفاده از روش‏های یادگیری عمیق به عنوان استخراج‏ کننده ویژگی و طبقه‏ بندی تصویر با استفاده از ویژگی ‏های عمیق تولیدشده توسط ماشین بردار پشتیبان، در حالت کلی نتایج ارزیابی بهتری به نسبت تولید ویژگی و طبقه‏ بندی به صورت یک‏پارچه توسط روش شبکه‏ ی عصبی کانولوشنی داشته است.